java - 如何更新 Spark 流中的广播变量？

Question

我相信，我有一个相对常见的 Spark 流用例:

我有一个对象流，我想根据一些引用数据进行过滤

最初，我认为使用广播变量来实现这将是一件非常简单的事情:

public void startSparkEngine {
    Broadcast<ReferenceData> refdataBroadcast
      = sparkContext.broadcast(getRefData());

    final JavaDStream<MyObject> filteredStream = objectStream.filter(obj -> {
        final ReferenceData refData = refdataBroadcast.getValue();
        return obj.getField().equals(refData.getField());
    }

    filteredStream.foreachRDD(rdd -> {
        rdd.foreach(obj -> {
            // Final processing of filtered objects
        });
        return null;
    });
}

但是，尽管很少，我的引用数据会定期更改

我的印象是我可以在驱动程序上修改和重新广播我的变量，它会传播到每个 worker ，但是 Broadcast对象不是 Serializable并且需要是final .

我有什么选择？我能想到的三个解决方案是:

1. 将引用数据查找移动到 forEachPartition或 forEachRdd所以它完全取决于 worker 。然而，引用数据存在于 REST API 中，因此我还需要以某种方式存储一个计时器/计数器，以停止远程访问流中的每个元素。

2. 每次 refdata 更改时都使用新的广播变量重新启动 Spark 上下文。

3. 将引用数据转换为RDD，然后join以这样的方式流式传输，我现在正在流式传输 Pair<MyObject, RefData> ，尽管这会将引用数据与每个对象一起发送。

Answer 1

通过@Rohan Aletty 扩展答案。这是一个基于 ttl 刷新广播变量的 BroadcastWrapper 的示例代码

public class BroadcastWrapper {

    private Broadcast<ReferenceData> broadcastVar;
    private Date lastUpdatedAt = Calendar.getInstance().getTime();

    private static BroadcastWrapper obj = new BroadcastWrapper();

    private BroadcastWrapper(){}

    public static BroadcastWrapper getInstance() {
        return obj;
    }

    public JavaSparkContext getSparkContext(SparkContext sc) {
       JavaSparkContext jsc = JavaSparkContext.fromSparkContext(sc);
       return jsc;
    }

    public Broadcast<ReferenceData> updateAndGet(SparkContext sparkContext){
        Date currentDate = Calendar.getInstance().getTime();
        long diff = currentDate.getTime()-lastUpdatedAt.getTime();
        if (var == null || diff > 60000) { //Lets say we want to refresh every 1 min = 60000 ms
            if (var != null)
               var.unpersist();
            lastUpdatedAt = new Date(System.currentTimeMillis());

            //Your logic to refresh
            ReferenceData data = getRefData();

            var = getSparkContext(sparkContext).broadcast(data);
       }
       return var;
   }
}

您的代码如下所示:

public void startSparkEngine() {

    final JavaDStream<MyObject> filteredStream = objectStream.transform(stream -> {
        Broadcast<ReferenceData> refdataBroadcast = BroadcastWrapper.getInstance().updateAndGet(stream.context());

        stream.filter(obj -> obj.getField().equals(refdataBroadcast.getValue().getField()));
    });

    filteredStream.foreachRDD(rdd -> {
        rdd.foreach(obj -> {
        // Final processing of filtered objects
        });
        return null;
    });
}

这对我也适用于多集群。希望这会有所帮助