在Spark中,我们使用广播变量使每台机器只读变量的副本.我们通常在闭包之外创建一个广播变量(例如闭包所需的查找表)以提高性能.
我们还有一个名为mapPartitions的spark转换运算符,它试图实现相同的功能(使用共享变量来提高性能).例如,在mapPartitions中,我们可以为每个分区共享数据库连接.
那么这两者之间的区别是什么？我们可以互换地使用它来共享变量吗？
解决方法:
broadcast用于将对象发送到每个工作节点.该对象将在该节点上的所有分区之间共享(并且对于集群中的每个节点,值/即对象都是相同的).广播的目标是在工作节点上的许多不同任务/分区中使用相同数据时节省网络成本.
相比之下,mapPartitions是RDD上可用的方法,并且仅在分区上像map一样工作.是的,您可以定义新对象,例如jdbc连接,然后对每个分区都是唯一的.但是,您不能在不同的分区之间共享它,更不用说在不同的节点之间共享它.
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 [email protected] 举报，一经查实，本站将立刻删除。
