- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
在使用 Spark-RDD API 时,我们可以使用广播变量来优化 spark 分配不可变状态的方式。
我的假设是:对于用于对数据集执行操作的每个闭包,它引用的所有变量都必须被序列化,通过网络传输并与任务一起恢复,以便闭包可以执行。
像这样注册广播变量时:
val broadcastVar = sc.broadcast("hello world")
返回的对象 (Broadcast[String]
) 不保留对实际对象(“hello world”)的引用,而只保留一些 ID。当一个广播变量句柄像上面所说的那样从一个闭包中被引用时,它将像所有其他变量一样被序列化——只是广播变量句柄本身不包含实际对象。
当稍后在目标节点上执行闭包时,实际对象(“hello world”)已经传输到每个节点。当闭包到达调用 broadcastVar.value
的点时,广播变量句柄在内部使用 ID 检索实际对象。
这个假设是否正确?
假设我有一组允许的值。
当使用 RDD-API 时,我会为我的 allowedValues 创建一个广播变量:
val broadcastAllowedValues = sc.broadcast(allowedValues) // Broadcast[Set[String]]
rdd.filter(row => broadcastAllowedValues.value.contains(row("mycol")))
当然,在使用 Spark-SQL-API 时,我会为此使用 Column.isin
/Column.isInCollection
方法:
dataframe.where(col("mycol").isInCollection(allowedValues))
但似乎我无法通过这种方式获得广播变量的优势。
此外,如果我将这段代码更改为以下内容:
val broadcastAllowedValues = sc.broadcast(allowedValues) // Broadcast[Set[String]]
dataframe.where(col("mycol").isInCollection(allowedValues.value))
这部分:
col("mycol").isInCollection(allowedValues.value)
// and more important this part:
allowedValues.value
已经在驱动程序上进行了评估,从而产生了一个新的 Column
-Object。所以广播变量在这里失去了它的优势。与第一个示例相比,它甚至会有一些开销......
有没有一种方法可以使用 Spark-SQL-API 来利用广播变量,或者我是否必须在这些时候显式使用 RDD-API?
最佳答案
How do broadcast-variables work internally?
广播的数据被序列化并物理移动到所有执行者。根据 Broadcast Variables 上的文档, 它说
“广播变量允许程序员将只读变量缓存在每台机器上,而不是随任务发送它的副本。”
Is there a way to take advantage of this mechanism in Spark-SQL?
是的,有一种方法可以利用。 Spark 在连接大小 Dataframe 时默认应用Broadcast Hash Join。
根据《Learning Spark - 2nd edition》这本书,它说:
“默认情况下,如果较小的数据集小于 10MB,Spark 将使用广播连接。此配置在 spark.sql.autoBroadcastJoinThreshold
中设置;您可以根据如何减少或增加大小您在每个执行程序和驱动程序中都有很多内存。”
在您的情况下,您需要将所有唯一的 allowedValues 列到一个只有一列(名为 allowValues
) 并应用联接来过滤您的 dataframe
。
像这样:
import org.apache.spark.sql.functions.broadcast
val result = dataframe.join(broadcast(allowedValuesDF), "mycol === allowedValues")
实际上,您可以省略 broadcast
,因为 Spark 默认会进行广播连接。
编辑:
在更高版本的 Spark 中,您还可以在 SQL 语法中使用join hints 来告诉执行引擎使用哪些策略。 SQL Documentation 中提供了详细信息下面提供了一个示例:
-- Join Hints for broadcast join
SELECT /*+ BROADCAST(t1) */ * FROM t1 INNER JOIN t2 ON t1.key = t2.key;
关于scala - 仅使用 Spark-SQL API 时广播变量的使用,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/64683189/
我有一些 Scala 代码,它用两个不同版本的类型参数化函数做了一些漂亮的事情。我已经从我的应用程序中简化了很多,但最后我的代码充满了形式 w(f[Int],f[Double]) 的调用。哪里w()是
如果我在同一目录中有两个单独的未编译的 scala 文件: // hello.scala object hello { def world() = println("hello world") }
val schema = df.schema val x = df.flatMap(r => (0 until schema.length).map { idx => ((idx, r.g
环境: Play 2.3.0/Scala 2.11.1/IntelliJ 13.1 我使用 Typesafe Activator 1.2.1 用 Scala 2.11.1 创建一个新项目。项目创建好后
我只是想知道如何使用我自己的类扩展 Scala 控制台和“脚本”运行程序,以便我可以通过使用实际的 Scala 语言与其通信来实际使用我的代码?我应将 jar 放在哪里,以便无需临时配置即可从每个 S
我已经根据 README.md 文件安装了 ensime,但是,我在低级 ensime-server 缓冲区中出现以下错误: 信息: fatal error :scala.tools.nsc.Miss
我正在阅读《Scala 编程》一书。在书中,它说“一个函数文字被编译成一个类,当在运行时实例化时它是一个函数值”。并且它提到“函数值是对象,因此您可以根据需要将它们存储在变量中”。 所以我尝试检查函数
我有 hello world scala native 应用程序,想对此应用程序运行小型 scala 测试我使用通常的测试命令,但它抛出异常: NativeMain.scala object Nati
有few resources在网络上,在编写与代码模式匹配的 Scala 编译器插件方面很有指导意义,但这些对生成代码(构建符号树)没有帮助。我应该从哪里开始弄清楚如何做到这一点? (如果有比手动构建
我是 Scala 的新手。但是,我用 创建了一个中等大小的程序。斯卡拉 2.9.0 .现在我想使用一个仅适用于 的开源库斯卡拉 2.7.7 . 是吗可能 在我的 Scala 2.9.0 程序中使用这个
有没有办法在 Scala 2.11 中使用 scala-pickling? 我在 sonatype 存储库中尝试了唯一的 scala-pickling_2.11 工件,但它似乎不起作用。我收到消息:
这与命令行编译器选项无关。如何以编程方式获取代码内的 Scala 版本? 或者,Eclipse Scala 插件 v2 在哪里存储 scalac 的路径? 最佳答案 这无需访问 scala-compi
我正在阅读《Scala 编程》一书,并在第 6 章中的类 Rational 实现中遇到了一些问题。 这是我的 Rational 类的初始版本(基于本书) class Rational(numerato
我是 Scala 新手,我正在尝试开发一个使用自定义库的小项目。我在库内创建了一个mysql连接池。这是我的库的build.sbt organization := "com.learn" name :
我正在尝试运行一些 Scala 代码,只是暂时打印出“Hello”,但我希望在 SBT 项目中编译 Scala 代码之前运行 Scala 代码。我发现在 build.sbt 中有以下工作。 compi
Here链接到 maven Scala 插件使用。但没有提到它使用的究竟是什么 Scala 版本。我创建了具有以下配置的 Maven Scala 项目: org.scala-tools
我对 Scala 还很陌生,请多多包涵。我有一堆包裹在一个大数组中的 future 。 future 已经完成了查看几 TB 数据的辛勤工作,在我的应用程序结束时,我想总结上述 future 的所有结
我有一个 scala 宏,它依赖于通过包含其位置的静态字符串指定的任意 xml 文件。 def myMacro(path: String) = macro myMacroImpl def myMacr
这是我的功能: def sumOfSquaresOfOdd(in: Seq[Int]): Int = { in.filter(_%2==1).map(_*_).reduce(_+_) } 为什么我
这个问题在这里已经有了答案: Calculating the difference between two Java date instances (45 个答案) 关闭 5 年前。 所以我有一个这
我是一名优秀的程序员,十分优秀!