问题导读
1.spark共享变量的作用是什么？
2.什么情况下使用共享变量？
3.如何在程序中使用共享变量？
4.广播变量源码包含哪些内容？
spark编程中，我们经常会遇到使用全局变量，来累加或则使用全局变量。然而对于分布式编程这个却与传统编程有着很大的区别。不可能在程序中声明一个全局变量，在分布式编程中就可以直接使用。因为代码会分发到多台机器，导致我们认为的全局变量失效。那么spark，spark Streaming该如何实现全局变量。
一般情况下，当一个传递给Spark操作(例如map和reduce)的函数在远程节点上面运行时，Spark操作实际上操作的是这个函数所用变量的一个独立副本。这些变量被复制到每台机器上，并且这些变量在远程机器上 的所有更新都不会传递回驱动程序。通常跨任务的读写变量是低效的，但是，Spark还是为两种常见的使用模式提供了两种有限的共享变量：广播变量（broadcast variable）和累加器（accumulator）+
1.概念
1.1 广播变量：
广播可以将变量发送到闭包中，被闭包使用。但是，广播还有一个作用是同步较大数据。比如你有一个IP库，可能有几G，在map操作中，依赖这个ip库。那么，可以通过广播将这个ip库传到闭包中，被并行的任务应用。广播通过两个方面提高数据共享效率：
1，集群中每个节点（物理机器）只有一个副本，默认的闭包是每个任务一个副本；
2，广播传输是通过BT下载模式实现的，也就是P2P下载，在集群多的情况下，可以极大的提高数据传输速率。广播变量修改后，不会反馈到其他节点。
1.2 累加器：
累加器是仅仅被相关操作累加的变量，因此可以在并行中被有效地支持。它可以被用来实现计数器和总和。Spark原生地只支持数字类型的累加器，编程者可以添加新类型的支持。如果创建累加器时指定了名字，可以在Spark的UI界面看到。这有利于理解每个执行阶段的进程。（对于Python还不支持）
累加器通过对一个初始化了的变量v调用SparkContext.accumulator(v)来创建。在集群上运行的任务可以通过add或者”+=”方法在累加器上进行累加操作。但是，它们不能读取它的值。只有驱动程序能够读取它的值，通过累加器的value方法。
2.如何使用全局变量
2.1 Java版本：
package com.Streaming; import org.apache.spark.Accumulator;import org.apache.spark.SparkConf;import org.apache.spark.api.java.JavaPairRDD;import org.apache.spark.api.java.function.Function;import org.apache.spark.broadcast.Broadcast;import org.apache.spark.streaming.Durations;import org.apache.spark.streaming.Time;import org.apache.spark.streaming.api.java.JavaStreamingContext; import org.apache.spark.api.java.function.FlatMapFunction;import org.apache.spark.api.java.function.Function2;import org.apache.spark.api.java.function.PairFunction;import org.apache.spark.streaming.api.java.JavaDStream;import org.apache.spark.streaming.api.java.JavaPairDStream;import org.apache.spark.streaming.api.java.JavaReceiverInputDStream;import scala.Tuple2; import java.util.*; /** * 利用广播进行黑名单过滤！ * * 无论是计数器还是广播！都不是想象的那么简单！ * 联合使用非常强大！！！绝对是高端应用！ * * 如果 联合使用扩展的话，该怎么做！！！ * * ？ */public class BroadcastAccumulator { /** * 肯定要创建一个广播List * * 在上下文中实例化！ */ private static volatile Broadcast<List<String>> broadcastList = null; /** * 计数器！ * 在上下文中实例化！ */ private static volatile Accumulator<Integer> accumulator = null; public static void main(String[] args) { SparkConf conf = new SparkConf().setMaster("local[2]"). setAppName("WordCountOnlieBroadcast"); JavaStreamingContext jsc = new JavaStreamingContext(conf, Durations.seconds(5)); /** * 没有action的话，广播并不会发出去！ * * 使用broadcast广播黑名单到每个Executor中！ */ broadcastList = jsc.sc().broadcast(Arrays.asList("Hadoop","Mahout","Hive")); /** * 全局计数器！用于统计在线过滤了多少个黑名单！ */ accumulator = jsc.sparkContext().accumulator(0,"OnlineBlackListCounter"); JavaReceiverInputDStream<String> lines = jsc.socketTextStream("Master", 9999); /** * 这里省去flatmap因为名单是一个个的！ */ JavaPairDStream<String, Integer> pairs = lines.mapToPair(new PairFunction<String, String, Integer>() { @Override public Tuple2<String, Integer> call(String word) { return new Tuple2<String, Integer>(word, 1); } }); JavaPairDStream<String, Integer> wordsCount = pairs.reduceByKey(new Function2<Integer, Integer, Integer>() { @Override public Integer call(Integer v1, Integer v2) { return v1 + v2; } }); /** * Funtion里面 前几个参数是 入参。 * 后面的出参。 * 体现在call方法里面！ * * 这里直接基于RDD进行操作了！ */ wordsCount.foreach(new Function2<JavaPairRDD<String, Integer>, Time, Void>() { @Override public Void call(JavaPairRDD<String, Integer> rdd, Time time) throws Exception { rdd.filter(new Function<Tuple2<String, Integer>, Boolean>() { @Override public Boolean call(Tuple2<String, Integer> wordPair) throws Exception { if (broadcastList.value().contains(wordPair._1)) { /** * accumulator不应该仅仅用来计数。 * 可以同时写进数据库或者redis中！ */ accumulator.add(wordPair._2); return false; }else { return true; } }; /** * 这里真的希望 广播和计数器执行的话。要进行一个action操作！ */ }).collect(); System.out.println("广播器里面的值"+broadcastList.value()); System.out.println("计时器里面的值"+accumulator.value()); return null; } }); jsc.start(); jsc.awaitTermination(); jsc.close(); } } 2.2 Scala版本
1. package com.Streaming
2.
3. import java.util
4.
5. import org.apache.spark.streaming.{Duration, StreamingContext}
6. import org.apache.spark.{Accumulable, Accumulator, SparkContext, SparkConf}
7. import org.apache.spark.broadcast.Broadcast
8.
9. /**
10. * Created by lxh on 2016/6/30.
11. */
12. object BroadcastAccumulatorStreaming {
13.
14. /**
15. * 声明一个广播和累加器！
16. */
17. private var broadcastList:Broadcast[List[String]] = _
18. private var accumulator:Accumulator[Int] = _
19.
20. def main(args: Array[String]) {
21.
22. val sparkConf = new SparkConf().setMaster("local[4]").setAppName("broadcasttest")
23. val sc = new SparkContext(sparkConf)
24.
25. /**
26. * duration是ms
27. */
28. val ssc = new StreamingContext(sc,Duration(2000))
29. // broadcastList = ssc.sparkContext.broadcast(util.Arrays.asList("Hadoop","Spark"))
30. broadcastList = ssc.sparkContext.broadcast(List("Hadoop","Spark"))
31. accumulator= ssc.sparkContext.accumulator(0,"broadcasttest")
32.
33. /**
34. * 获取数据！
35. */
36. val lines = ssc.socketTextStream("localhost",9999)
37.
38. /**
39. * 拿到数据后 怎么处理！
40. *
41. * 1.flatmap把行分割成词。
42. * 2.map把词变成tuple(word,1)
43. * 3.reducebykey累加value
44. * (4.sortBykey排名)
45. * 4.进行过滤。 value是否在累加器中。
46. * 5.打印显示。
47. */
48. val words = lines.flatMap(line => line.split(" "))
49.
50. val wordpair = words.map(word => (word,1))
51.
52. wordpair.filter(record => {broadcastList.value.contains(record._1)})
53.
54.
55. val pair = wordpair.reduceByKey(_+_)
56.
57. /**
58. *这步为什么要先foreachRDD？
59. *
60. * 因为这个pair 是PairDStream<String, Integer>
61. *
62. * 进行foreachRDD是为了？
63. *
64. */
65. /* pair.foreachRDD(rdd => {
66. rdd.filter(record => {
67.
68. if (broadcastList.value.contains(record._1)) {
69. accumulator.add(1)
70. return true
71. } else {
72. return false
73. }
74.
75. })
76.
77. })*/
78.
79. val filtedpair = pair.filter(record => {
80. if (broadcastList.value.contains(record._1)) {
81. accumulator.add(record._2)
82. true
83. } else {
84. false
85. }
86.
87. }).print
88.
89. println("累加器的值"+accumulator.value)
90.
91. // pair.filter(record => {broadcastList.value.contains(record._1)})
92.
93. /* val keypair = pair.map(pair => (pair._2,pair._1))*/
94.
95. /**
96. * 如果DStream自己没有某个算子操作。就通过转化transform！
97. */
98. /* keypair.transform(rdd => {
99. rdd.sortByKey(false)//TODO
100. })*/
101. pair.print()
102. ssc.start()
103. ssc.awaitTermination()
104.
105. }
106.
107. }
补充：除了上面提到的两种外，还有一个闭包的概念，这里补充下闭包 与广播变量对比有两种方式将数据从driver节点发送到worker节点：通过 闭包 和通过 广播变量 。闭包是随着task的组装和分发自动进行的，而广播变量则是需要程序猿手动操作的，具体地可以通过如下方式操作广播变量(假设 sc 为 SparkContext 类型的对象， bc 为 Broadcast 类型的对象)：可通过 sc.broadcast(xxx) 创建广播变量。可在各计算节点中(闭包代码中)通过 bc.value 来引用广播的数据。bc.unpersist() 可将各executor中缓存的广播变量删除，后续再使用时数据将被重新发送。bc.destroy() 可将广播变量的数据和元数据一同销毁，销毁之后就不能再使用了。任务闭包包含了任务所需要的代码和数据，如果一个executor数量小于RDD partition的数量，那么每个executor就会得到多个同样的任务闭包，这通常是低效的。而广播变量则只会将数据发送到每个executor一次，并且可以在多个计算操作中共享该广播变量，而且广播变量使用了类似于p2p形式的非常高效的广播算法，大大提高了效率。另外，广播变量由spark存储管理模块进行管理，并以MEMORY_AND_DISK级别进行持久化存储。什么时候用闭包自动分发数据？情况有几种：数据比较小的时候。数据已在driver程序中可用。典型用例是常量或者配置参数。什么时候用广播变量分发数据？情况有几种：数据比较大的时候(实际上，spark支持非常大的广播变量，甚至广播变量中的元素数超过java/scala中Array的最大长度限制(2G，约21.5亿)都是可以的)。数据是某种分布式计算结果。典型用例是训练模型等中间计算结果。当数据或者变量很小的时候，我们可以在Spark程序中直接使用它们，而无需使用广播变量。对于大的广播变量，序列化优化可以大大提高网络传输效率，参见本文序列化优化部分。3.广播变量（Broadcast）源码分析本文基于Spark 1.0源码分析，主要探讨广播变量的初始化、创建、读取以及清除。类关系BroadcastManager类中包含一个BroadcastFactory对象的引用。大部分操作通过调用BroadcastFactory中的方法来实现。BroadcastFactory是一个Trait，有两个直接子类TorrentBroadcastFactory、HttpBroadcastFactory。这两个子类实现了对HttpBroadcast、TorrentBroadcast的封装，而后面两个又同时集成了Broadcast抽象类。BroadcastManager的初始化SparkContext初始化时会创建SparkEnv对象env，这个过程中会调用BroadcastManager的构造方法返回一个对象作为env的成员变量存在：
1. val broadcastManager = new BroadcastManager(isDriver, conf, securityManager)构造BroadcastManager对象时会调用initialize方法，主要根据配置初始化broadcastFactory成员变量，并调用其initialize方法。
1. val broadcastFactoryClass =
2. conf.get("spark.broadcast.factory", "org.apache.spark.broadcast.HttpBroadcastFactory")
3.
4. broadcastFactory =
5. Class.forName(broadcastFactoryClass).newInstance.asInstanceOf[BroadcastFactory]
6.
7. // Initialize appropriate BroadcastFactory and BroadcastObject
8. broadcastFactory.initialize(isDriver, conf, securityManager)
两个工厂类的initialize方法都是对其相应实体类的initialize方法的调用，下面分开两个类来看。HttpBroadcast的initialize方法
1. def initialize(isDriver: Boolean, conf: SparkConf, securityMgr: SecurityManager) {
2. synchronized {
3. if (!initialized) {
4. bufferSize = conf.getInt("spark.buffer.size", 65536)
5. compress = conf.getBoolean("spark.broadcast.compress", true)
6. securityManager = securityMgr
7. if (isDriver) {
8. createServer(conf)
9. conf.set("spark.httpBroadcast.uri", serverUri)
10. }
11. serverUri = conf.get("spark.httpBroadcast.uri")
12. cleaner = new MetadataCleaner(MetadataCleanerType.HTTP_BROADCAST, cleanup, conf)
13. compressionCodec = CompressionCodec.createCodec(conf)
14. initialized = true
15. }
16. }
17. }
除了一些变量的初始化外，主要做两件事情，一是createServer（只有在Driver端会做），其次是创建一个MetadataCleaner对象。createServer
1. private def createServer(conf: SparkConf) {
2. broadcastDir = Utils.createTempDir(Utils.getLocalDir(conf))
3. server = new HttpServer(broadcastDir, securityManager)
4. server.start()
5. serverUri = server.uri
6. logInfo("Broadcast server started at " + serverUri)
7. }
首先创建一个存放广播变量的目录，默认是
- conf.get("spark.local.dir", System.getProperty("java.io.tmpdir")).split(',')(0)
然后初始化一个HttpServer对象并启动（封装了jetty），启动过程中包括加载资源文件，起端口和线程用来监控请求等。这部分的细节在org.apache.spark.HttpServer类中，此处不做展开。 创建MetadataCleaner对象 一个MetadataCleaner对象包装了一个定时计划Timer，每隔一段时间执行一个回调函数，此处传入的回调函数为cleanup：
1. private def cleanup(cleanupTime: Long) {
2. val iterator = files.internalMap.entrySet().iterator()
3. while(iterator.hasNext) {
4. val entry = iterator.next()
5. val (file, time) = (entry.getKey, entry.getValue)
6. if (time < cleanupTime) {
7. iterator.remove()
8. deleteBroadcastFile(file)
9. }
10. }
11. }
即清楚存在吵过一定时长的broadcast文件。在时长未设定（默认情况）时，不清除：
1. if (delaySeconds > 0) {
2. logDebug(
3. "Starting metadata cleaner for " + name + " with delay of " + delaySeconds + " seconds " +
4. "and period of " + periodSeconds + " secs")
5. timer.schedule(task, periodSeconds * 1000, periodSeconds * 1000)
6. }
TorrentBroadcast的initialize方法
1. def initialize(_isDriver: Boolean, conf: SparkConf) {
2. TorrentBroadcast.conf = conf // TODO: we might have to fix it in tests
3. synchronized {
4. if (!initialized) {
5. initialized = true
6. }
7. }
8. }
Torrent在此处没做什么，这也可以看出和Http的区别，Torrent的处理方式就是p2p，去中心化。而Http是中心化服务，需要启动服务来接受请求。创建broadcast变量调用SparkContext中的 def broadcast[T: ClassTag](value: T): Broadcast[T]方法来初始化一个广播变量，实现如下：
1. def broadcast[T: ClassTag](value: T): Broadcast[T] = {
2. val bc = env.broadcastManager.newBroadcast[T](value, isLocal)
3. cleaner.foreach(_.registerBroadcastForCleanup(bc))
4. bc
5. }即调用broadcastManager的newBroadcast方法：
1. def newBroadcast[T: ClassTag](value_ : T, isLocal: Boolean) = {
2. broadcastFactory.newBroadcast[T](value_, isLocal, nextBroadcastId.getAndIncrement())
3. }
再调用工厂类的newBroadcast方法，此处返回的是一个Broadcast对象。 HttpBroadcastFactory的newBroadcast
1. def newBroadcast[T: ClassTag](value_ : T, isLocal: Boolean, id: Long) =
2. new HttpBroadcast[T](value_, isLocal, id)
即创建一个新的HttpBroadcast对象并返回。 构造对象时主要做两件事情：
1. HttpBroadcast.synchronized {
2. SparkEnv.get.blockManager.putSingle(
3. blockId, value_, StorageLevel.MEMORY_AND_DISK, tellMaster = false)
4. }
5.
6. if (!isLocal) {
7. HttpBroadcast.write(id, value_)
8. }
1.将变量id和值放入blockManager，但并不通知master2.调用伴生对象的write方法
1. def write(id: Long, value: Any) {
2. val file = getFile(id)
3. val out: OutputStream = {
4. if (compress) {
5. compressionCodec.compressedOutputStream(new FileOutputStream(file))
6. } else {
7. new BufferedOutputStream(new FileOutputStream(file), bufferSize)
8. }
9. }
10. val ser = SparkEnv.get.serializer.newInstance()
11. val serOut = ser.serializeStream(out)
12. serOut.writeObject(value)
13. serOut.close()
14. files += file
15. }
write方法将对象值按照指定的压缩、序列化写入指定的文件。这个文件所在的目录即是HttpServer的资源目录，文件名和id的对应关系为：
1. case class BroadcastBlockId(broadcastId: Long, field: String = "") extends BlockId {
2. def name = "broadcast_" + broadcastId + (if (field == "") "" else "_" + field)
3. }TorrentBroadcastFactory的newBroadcast方法
1. def newBroadcast[T: ClassTag](value_ : T, isLocal: Boolean, id: Long) =
2. new TorrentBroadcast[T](value_, isLocal, id)
同样是创建一个TorrentBroadcast对象，并返回。
1. TorrentBroadcast.synchronized {
2. SparkEnv.get.blockManager.putSingle(
3. broadcastId, value_, StorageLevel.MEMORY_AND_DISK, tellMaster = false)
4. }
5.
6. if (!isLocal) {
7. sendBroadcast()
8. }
做两件事情，第一步和Http一样，第二步：
1. def sendBroadcast() {
2. val tInfo = TorrentBroadcast.blockifyObject(value_)
3. totalBlocks = tInfo.totalBlocks
4. totalBytes = tInfo.totalBytes
5. hasBlocks = tInfo.totalBlocks
6.
7. // Store meta-info
8. val metaId = BroadcastBlockId(id, "meta")
9. val metaInfo = TorrentInfo(null, totalBlocks, totalBytes)
10. TorrentBroadcast.synchronized {
11. SparkEnv.get.blockManager.putSingle(
12. metaId, metaInfo, StorageLevel.MEMORY_AND_DISK, tellMaster = true)
13. }
14.
15. // Store individual pieces
16. for (i <- 0 until totalBlocks) {
17. val pieceId = BroadcastBlockId(id, "piece" + i)
18. TorrentBroadcast.synchronized {
19. SparkEnv.get.blockManager.putSingle(
20. pieceId, tInfo.arrayOfBlocks(i), StorageLevel.MEMORY_AND_DISK, tellMaster = true)
21. }
22. }
23. }
可以看出，先将元数据信息缓存到blockManager，再将块信息缓存过去。开头可以看到有一个分块动作，是调用伴生对象的blockifyObject方法：
1. def blockifyObject[T](obj: T): TorrentInfo此方法将对象obj分块（默认块大小为4M），返回一个TorrentInfo对象，第一个参数为一个TorrentBlock对象（包含blockID和block字节数组）、块数量以及obj的字节流总长度。 元数据信息中的blockId为广播变量id+后缀，value为总块数和总字节数。 数据信息是分块缓存，每块的id为广播变量id加后缀及块变好，数据位一个TorrentBlock对象 读取广播变量的值 通过调用bc.value来取得广播变量的值，其主要实现在反序列化方法readObject中 HttpBroadcast的反序列化
1. HttpBroadcast.synchronized {
2. SparkEnv.get.blockManager.getSingle(blockId) match {
3. case Some(x) => value_ = x.asInstanceOf[T]
4. case None => {
5. logInfo("Started reading broadcast variable " + id)
6. val start = System.nanoTime
7. value_ = HttpBroadcast.read[T](id)
8. /*
9. * We cache broadcast data in the BlockManager so that subsequent tasks using it
10. * do not need to re-fetch. This data is only used locally and no other node
11. * needs to fetch this block, so we don't notify the master.
12. */
13. SparkEnv.get.blockManager.putSingle(
14. blockId, value_, StorageLevel.MEMORY_AND_DISK, tellMaster = false)
15. val time = (System.nanoTime - start) / 1e9
16. logInfo("Reading broadcast variable " + id + " took " + time + " s")
17. }
18. }
19. }
首先查看blockManager中是否已有，如有则直接取值，否则调用伴生对象的read方法进行读取：
1. def read[T: ClassTag](id: Long): T = {
2. logDebug("broadcast read server: " + serverUri + " id: broadcast-" + id)
3. val url = serverUri + "/" + BroadcastBlockId(id).name
4.
5. var uc: URLConnection = null
6. if (securityManager.isAuthenticationEnabled()) {
7. logDebug("broadcast security enabled")
8. val newuri = Utils.constructURIForAuthentication(new URI(url), securityManager)
9. uc = newuri.toURL.openConnection()
10. uc.setAllowUserInteraction(false)
11. } else {
12. logDebug("broadcast not using security")
13. uc = new URL(url).openConnection()
14. }
15.
16. val in = {
17. uc.setReadTimeout(httpReadTimeout)
18. val inputStream = uc.getInputStream
19. if (compress) {
20. compressionCodec.compressedInputStream(inputStream)
21. } else {
22. new BufferedInputStream(inputStream, bufferSize)
23. }
24. }
25. val ser = SparkEnv.get.serializer.newInstance()
26. val serIn = ser.deserializeStream(in)
27. val obj = serIn.readObject[T]()
28. serIn.close()
29. obj
30. }
使用serverUri和block id对应的文件名直接开启一个HttpConnection将中心服务器上相应的数据取过来，使用配置的压缩和序列化机制进行解压和反序列化。这里可以看到，所有需要用到广播变量值的executor都需要去driver上pull广播变量的内容。取到值后，缓存到blockManager中，以便下次使用。TorrentBroadcast的反序列化
1. private def readObject(in: ObjectInputStream) {
2. in.defaultReadObject()
3. TorrentBroadcast.synchronized {
4. SparkEnv.get.blockManager.getSingle(broadcastId) match {
5. case Some(x) =>
6. value_ = x.asInstanceOf[T]
7.
8. case None =>
9. val start = System.nanoTime
10. logInfo("Started reading broadcast variable " + id)
11.
12. // Initialize @transient variables that will receive garbage values from the master.
13. resetWorkerVariables()
14.
15. if (receiveBroadcast()) {
16. value_ = TorrentBroadcast.unBlockifyObject[T](arrayOfBlocks, totalBytes, totalBlocks)
17.
18. /* Store the merged copy in cache so that the next worker doesn't need to rebuild it.
19. * This creates a trade-off between memory usage and latency. Storing copy doubles
20. * the memory footprint; not storing doubles deserialization cost. Also,
21. * this does not need to be reported to BlockManagerMaster since other executors
22. * does not need to access this block (they only need to fetch the chunks,
23. * which are reported).
24. */
25. SparkEnv.get.blockManager.putSingle(
26. broadcastId, value_, StorageLevel.MEMORY_AND_DISK, tellMaster = false)
27.
28. // Remove arrayOfBlocks from memory once value_ is on local cache
29. resetWorkerVariables()
30. } else {
31. logError("Reading broadcast variable " + id + " failed")
32. }
33.
34. val time = (System.nanoTime - start) / 1e9
35. logInfo("Reading broadcast variable " + id + " took " + time + " s")
36. }
37. }
38. }
和Http一样，都是先查看blockManager中是否已经缓存，若没有，则调用receiveBroadcast方法：
1. def receiveBroadcast(): Boolean = {
2. // Receive meta-info about the size of broadcast data,
3. // the number of chunks it is divided into, etc.
4. val metaId = BroadcastBlockId(id, "meta")
5. var attemptId = 10
6. while (attemptId > 0 && totalBlocks == -1) {
7. TorrentBroadcast.synchronized {
8. SparkEnv.get.blockManager.getSingle(metaId) match {
9. case Some(x) =>
10. val tInfo = x.asInstanceOf[TorrentInfo]
11. totalBlocks = tInfo.totalBlocks
12. totalBytes = tInfo.totalBytes
13. arrayOfBlocks = new Array[TorrentBlock](totalBlocks)
14. hasBlocks = 0
15.
16. case None =>
17. Thread.sleep(500)
18. }
19. }
20. attemptId -= 1
21. }
22. if (totalBlocks == -1) {
23. return false
24. }
25.
26. /*
27. * Fetch actual chunks of data. Note that all these chunks are stored in
28. * the BlockManager and reported to the master, so that other executors
29. * can find out and pull the chunks from this executor.
30. */
31. val recvOrder = new Random().shuffle(Array.iterate(0, totalBlocks)(_ + 1).toList)
32. for (pid <- recvOrder) {
33. val pieceId = BroadcastBlockId(id, "piece" + pid)
34. TorrentBroadcast.synchronized {
35. SparkEnv.get.blockManager.getSingle(pieceId) match {
36. case Some(x) =>
37. arrayOfBlocks(pid) = x.asInstanceOf[TorrentBlock]
38. hasBlocks += 1
39. SparkEnv.get.blockManager.putSingle(
40. pieceId, arrayOfBlocks(pid), StorageLevel.MEMORY_AND_DISK, tellMaster = true)
41.
42. case None =>
43. throw new SparkException("Failed to get " + pieceId + " of " + broadcastId)
44. }
45. }
46. }
47.
48. hasBlocks == totalBlocks
49. }
和写数据一样，同样是分成两个部分，首先取元数据信息，再根据元数据信息读取实际的block信息。注意这里都是从blockManager中读取的，这里贴出blockManager.getSingle的分析。调用栈中最后到BlockManager.doGetRemote方法，中间有一条语句：
1. val locations = Random.shuffle(master.getLocations(blockId))
即将存有这个block的节点信息随机打乱，然后使用：
1. val data = BlockManagerWorker.syncGetBlock(
2. GetBlock(blockId), ConnectionManagerId(loc.host, loc.port))来获取。 从这里可以看出，Torrent方法首先将广播变量数据分块，并存到BlockManager中；每个节点需要读取广播变量时，是分块读取，对每一块都读取其位置信息，然后随机选一个存有此块数据的节点进行get；每个节点读取后会将包含的快信息报告给BlockManagerMaster，这样本地节点也成为了这个广播网络中的一个peer。 与Http方式形成鲜明对比，这是一个去中心化的网络，只需要保持一个tracker即可，这就是p2p的思想。 广播变量的清除 广播变量被创建时，紧接着有这样一句代码：
1. cleaner.foreach(_.registerBroadcastForCleanup(bc))
cleaner是一个ContextCleaner对象，会将刚刚创建的广播变量注册到其中，调用栈为：
1. def registerBroadcastForCleanup[T](broadcast: Broadcast[T]) {
2. registerForCleanup(broadcast, CleanBroadcast(broadcast.id))
3. }
1. private def registerForCleanup(objectForCleanup: AnyRef, task: CleanupTask) {
2. referenceBuffer += new CleanupTaskWeakReference(task, objectForCleanup, referenceQueue)
等出现广播变量被弱引用时（关于弱引用，可以参考：），则会执行
1. cleaner.foreach(_.start())start方法中会调用keepCleaning方法，会遍历注册的清理任务（包括RDD、shuffle和broadcast），依次进行清理：
1. private def keepCleaning(): Unit = Utils.logUncaughtExceptions {
2. while (!stopped) {
3. try {
4. val reference = Option(referenceQueue.remove(ContextCleaner.REF_QUEUE_POLL_TIMEOUT))
5. .map(_.asInstanceOf[CleanupTaskWeakReference])
6. reference.map(_.task).foreach { task =>
7. logDebug("Got cleaning task " + task)
8. referenceBuffer -= reference.get
9. task match {
10. case CleanRDD(rddId) =>
11. doCleanupRDD(rddId, blocking = blockOnCleanupTasks)
12. case CleanShuffle(shuffleId) =>
13. doCleanupShuffle(shuffleId, blocking = blockOnCleanupTasks)
14. case CleanBroadcast(broadcastId) =>
15. doCleanupBroadcast(broadcastId, blocking = blockOnCleanupTasks)
16. }
17. }
18. } catch {
19. case e: Exception => logError("Error in cleaning thread", e)
20. }
21. }
22. }
doCleanupBroadcast调用以下语句：
1. broadcastManager.unbroadcast(broadcastId, true, blocking)然后是：
1. def unbroadcast(id: Long, removeFromDriver: Boolean, blocking: Boolean) {
2. broadcastFactory.unbroadcast(id, removeFromDriver, blocking)
3. }
每个工厂类调用其对应实体类的伴生对象的unbroadcast方法。 HttpBroadcast中的变量清除
1. def unpersist(id: Long, removeFromDriver: Boolean, blocking: Boolean) = synchronized {
2. SparkEnv.get.blockManager.master.removeBroadcast(id, removeFromDriver, blocking)
3. if (removeFromDriver) {
4. val file = getFile(id)
5. files.remove(file)
6. deleteBroadcastFile(file)
7. }
8. }
1是删除blockManager中的缓存，2是删除本地持久化的文件TorrentBroadcast中的变量清除
1. def unpersist(id: Long, removeFromDriver: Boolean, blocking: Boolean) = synchronized {
2. SparkEnv.get.blockManager.master.removeBroadcast(id, removeFromDriver, blocking)
3. }小结 Broadcast可以使用在executor端多次使用某个数据的场景（比如说字典），Http和Torrent两种方式对应传统的CS访问方式和P2P访问方式，当广播变量较大或者使用较频繁时，采用后者可以减少driver端的压力。 参考： https://endymecy.gitbooks.io/spa ... ared-variables.html
