spark分布式编程之全局变量专题【共享变量】

本帖最后由 pig2 于 2016-8-29 16:58 编辑

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：
[mw_shl_code=java,true]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();

}

}[/mw_shl_code]

2.2 Scala版本
[mw_shl_code=scala,true]package com.Streaming

import java.util

import org.apache.spark.streaming.{Duration, StreamingContext}
import org.apache.spark.{Accumulable, Accumulator, SparkContext, SparkConf}
import org.apache.spark.broadcast.Broadcast

/**
  * Created by lxh on 2016/6/30.
  */
object BroadcastAccumulatorStreaming {

  /**
* 声明一个广播和累加器！
*/
  private var broadcastList:Broadcast[List[String]]  = _
  private var accumulator:Accumulator[Int] = _

  def main(args: Array[String]) {

val sparkConf = new SparkConf().setMaster("local[4]").setAppName("broadcasttest")
val sc = new SparkContext(sparkConf)

/**
   * duration是ms
   */
val ssc = new StreamingContext(sc,Duration(2000))
// broadcastList = ssc.sparkContext.broadcast(util.Arrays.asList("Hadoop","Spark"))
broadcastList = ssc.sparkContext.broadcast(List("Hadoop","Spark"))
accumulator= ssc.sparkContext.accumulator(0,"broadcasttest")

/**
   * 获取数据！
   */
val lines = ssc.socketTextStream("localhost",9999)

/**
   * 拿到数据后怎么处理！
   *
   * 1.flatmap把行分割成词。
   * 2.map把词变成tuple(word,1)
   * 3.reducebykey累加value
   * (4.sortBykey排名)
   * 4.进行过滤。 value是否在累加器中。
   * 5.打印显示。
   */
val words = lines.flatMap(line => line.split(" "))

val wordpair = words.map(word => (word,1))

wordpair.filter(record => {broadcastList.value.contains(record._1)})

val pair = wordpair.reduceByKey(_+_)

/**
   *这步为什么要先foreachRDD？
   *
   * 因为这个pair 是PairDStream<String, Integer>
   *
   * 进行foreachRDD是为了？
   *
   */
/* pair.foreachRDD(rdd => {
   rdd.filter(record => {

      if (broadcastList.value.contains(record._1)) {
      accumulator.add(1)
      return true
      } else {
      return false
      }

   })

})*/

val filtedpair = pair.filter(record => {
      if (broadcastList.value.contains(record._1)) {
      accumulator.add(record._2)
      true
      } else {
      false
      }

   }).print

println("累加器的值"+accumulator.value)

// pair.filter(record => {broadcastList.value.contains(record._1)})

/* val keypair = pair.map(pair => (pair._2,pair._1))*/

/**
   * 如果DStream自己没有某个算子操作。就通过转化transform！
   */
/* keypair.transform(rdd => {
   rdd.sortByKey(false)//TODO
})*/
pair.print()
ssc.start()
ssc.awaitTermination()

  }

}[/mw_shl_code]

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：
[mw_shl_code=bash,true]val broadcastManager = new BroadcastManager(isDriver, conf, securityManager)[/mw_shl_code]

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。
[mw_shl_code=bash,true]
val broadcastFactoryClass =
      conf.get("spark.broadcast.factory", "org.apache.spark.broadcast.HttpBroadcastFactory")

      broadcastFactory =
      Class.forName(broadcastFactoryClass).newInstance.asInstanceOf[BroadcastFactory]

      // Initialize appropriate BroadcastFactory and BroadcastObject
      broadcastFactory.initialize(isDriver, conf, securityManager)[/mw_shl_code]

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

[mw_shl_code=bash,true]
  def initialize(isDriver: Boolean, conf: SparkConf, securityMgr: SecurityManager) {
synchronized {
   if (!initialized) {
      bufferSize = conf.getInt("spark.buffer.size", 65536)
      compress = conf.getBoolean("spark.broadcast.compress", true)
      securityManager = securityMgr
      if (isDriver) {
      createServer(conf)
      conf.set("spark.httpBroadcast.uri",  serverUri)
      }
      serverUri = conf.get("spark.httpBroadcast.uri")
      cleaner = new MetadataCleaner(MetadataCleanerType.HTTP_BROADCAST, cleanup, conf)
      compressionCodec = CompressionCodec.createCodec(conf)
      initialized = true
   }
}
  }[/mw_shl_code]

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

[mw_shl_code=bash,true]
  private def createServer(conf: SparkConf) {
broadcastDir = Utils.createTempDir(Utils.getLocalDir(conf))
server = new HttpServer(broadcastDir, securityManager)
server.start()
serverUri = server.uri
logInfo("Broadcast server started at " + serverUri)
  }[/mw_shl_code]

首先创建一个存放广播变量的目录，默认是
[mw_shl_code=bash,true]conf.get("spark.local.dir",  System.getProperty("java.io.tmpdir")).split(',')(0)
[/mw_shl_code]

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：

[mw_shl_code=bash,true]
  private def cleanup(cleanupTime: Long) {
val iterator = files.internalMap.entrySet().iterator()
while(iterator.hasNext) {
   val entry = iterator.next()
   val (file, time) = (entry.getKey, entry.getValue)
   if (time < cleanupTime) {
      iterator.remove()
      deleteBroadcastFile(file)
   }
}
  }[/mw_shl_code]

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：
[mw_shl_code=bash,true]
if (delaySeconds > 0) {
logDebug(
   "Starting metadata cleaner for " + name + " with delay of " + delaySeconds + " seconds " +
   "and period of " + periodSeconds + " secs")
timer.schedule(task, periodSeconds * 1000, periodSeconds * 1000)
  }[/mw_shl_code]

TorrentBroadcast的initialize方法

[mw_shl_code=bash,true]
  def initialize(_isDriver: Boolean, conf: SparkConf) {
TorrentBroadcast.conf = conf // TODO: we might have to fix it in tests
synchronized {
   if (!initialized) {
      initialized = true
   }
}
  }[/mw_shl_code]

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：

[mw_shl_code=bash,true]
def broadcast[T: ClassTag](value: T): Broadcast[T] = {
val bc = env.broadcastManager.newBroadcast[T](value, isLocal)
cleaner.foreach(_.registerBroadcastForCleanup(bc))
bc
  }[/mw_shl_code]

即调用broadcastManager的newBroadcast方法：
[mw_shl_code=bash,true]
  def newBroadcast[T: ClassTag](value_ : T, isLocal: Boolean) = {
broadcastFactory.newBroadcast[T](value_, isLocal, nextBroadcastId.getAndIncrement())
  }

[/mw_shl_code]

再调用工厂类的newBroadcast方法，此处返回的是一个Broadcast对象。

HttpBroadcastFactory的newBroadcast

[mw_shl_code=bash,true]
  def newBroadcast[T: ClassTag](value_ : T, isLocal: Boolean, id: Long) =
new HttpBroadcast[T](value_, isLocal, id)

[/mw_shl_code]

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：

[mw_shl_code=bash,true]
HttpBroadcast.synchronized {
SparkEnv.get.blockManager.putSingle(
   blockId, value_, StorageLevel.MEMORY_AND_DISK, tellMaster = false)
  }

  if (!isLocal) {
HttpBroadcast.write(id, value_)
  }[/mw_shl_code]

1.将变量id和值放入blockManager，但并不通知master

2.调用伴生对象的write方法

[mw_shl_code=bash,true]
def write(id: Long, value: Any) {
val file = getFile(id)
val out: OutputStream = {
   if (compress) {
      compressionCodec.compressedOutputStream(new FileOutputStream(file))
   } else {
      new BufferedOutputStream(new FileOutputStream(file), bufferSize)
   }
}
val ser = SparkEnv.get.serializer.newInstance()
val serOut = ser.serializeStream(out)
serOut.writeObject(value)
serOut.close()
files += file
  }[/mw_shl_code]

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：

[mw_shl_code=bash,true]
case class BroadcastBlockId(broadcastId: Long, field: String = "") extends BlockId {
  def name = "broadcast_" + broadcastId + (if (field == "") "" else "_" + field)
}[/mw_shl_code]

TorrentBroadcastFactory的newBroadcast方法

[mw_shl_code=bash,true]
  def newBroadcast[T: ClassTag](value_ : T, isLocal: Boolean, id: Long) =
new TorrentBroadcast[T](value_, isLocal, id)[/mw_shl_code]

同样是创建一个TorrentBroadcast对象，并返回。
[mw_shl_code=bash,true]
  TorrentBroadcast.synchronized {
SparkEnv.get.blockManager.putSingle(
   broadcastId, value_, StorageLevel.MEMORY_AND_DISK, tellMaster = false)
  }

  if (!isLocal) {
sendBroadcast()
  }[/mw_shl_code]

做两件事情，第一步和Http一样，第二步：
[mw_shl_code=bash,true]
  def sendBroadcast() {
val tInfo = TorrentBroadcast.blockifyObject(value_)
totalBlocks = tInfo.totalBlocks
totalBytes = tInfo.totalBytes
hasBlocks = tInfo.totalBlocks

// Store meta-info
val metaId = BroadcastBlockId(id, "meta")
val metaInfo = TorrentInfo(null, totalBlocks, totalBytes)
TorrentBroadcast.synchronized {
   SparkEnv.get.blockManager.putSingle(
      metaId, metaInfo, StorageLevel.MEMORY_AND_DISK, tellMaster = true)
}

// Store individual pieces
for (i <- 0 until totalBlocks) {
   val pieceId = BroadcastBlockId(id, "piece" + i)
   TorrentBroadcast.synchronized {
      SparkEnv.get.blockManager.putSingle(
      pieceId, tInfo.arrayOfBlocks(i), StorageLevel.MEMORY_AND_DISK, tellMaster = true)
   }
}
  }[/mw_shl_code]

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：
[mw_shl_code=bash,true]
def blockifyObject[T](obj: T): TorrentInfo[/mw_shl_code]

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

[mw_shl_code=bash,true]
HttpBroadcast.synchronized {
   SparkEnv.get.blockManager.getSingle(blockId) match {
      case Some(x) => value_ = x.asInstanceOf[T]
      case None => {
      logInfo("Started reading broadcast variable " + id)
      val start = System.nanoTime
      value_ = HttpBroadcast.read[T](id)
      /*
         * We cache broadcast data in the BlockManager so that subsequent tasks using it
         * do not need to re-fetch. This data is only used locally and no other node
         * needs to fetch this block, so we don't notify the master.
         */
      SparkEnv.get.blockManager.putSingle(
         blockId, value_, StorageLevel.MEMORY_AND_DISK, tellMaster = false)
      val time = (System.nanoTime - start) / 1e9
      logInfo("Reading broadcast variable " + id + " took " + time + " s")
      }
   }
}[/mw_shl_code]

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：
[mw_shl_code=bash,true]
def read[T: ClassTag](id: Long): T = {
logDebug("broadcast read server: " +  serverUri + " id: broadcast-" + id)
val url = serverUri + "/" + BroadcastBlockId(id).name

var uc: URLConnection = null
if (securityManager.isAuthenticationEnabled()) {
   logDebug("broadcast security enabled")
   val newuri = Utils.constructURIForAuthentication(new URI(url), securityManager)
   uc = newuri.toURL.openConnection()
   uc.setAllowUserInteraction(false)
} else {
   logDebug("broadcast not using security")
   uc = new URL(url).openConnection()
}

val in = {
   uc.setReadTimeout(httpReadTimeout)
   val inputStream = uc.getInputStream
   if (compress) {
      compressionCodec.compressedInputStream(inputStream)
   } else {
      new BufferedInputStream(inputStream, bufferSize)
   }
}
val ser = SparkEnv.get.serializer.newInstance()
val serIn = ser.deserializeStream(in)
val obj = serIn.readObject[T]()
serIn.close()
obj
  }[/mw_shl_code]

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

[mw_shl_code=bash,true]
private def readObject(in: ObjectInputStream) {
in.defaultReadObject()
TorrentBroadcast.synchronized {
   SparkEnv.get.blockManager.getSingle(broadcastId) match {
      case Some(x) =>
      value_ = x.asInstanceOf[T]

      case None =>
      val start = System.nanoTime
      logInfo("Started reading broadcast variable " + id)

      // Initialize @transient variables that will receive garbage values from the master.
      resetWorkerVariables()

      if (receiveBroadcast()) {
         value_ = TorrentBroadcast.unBlockifyObject[T](arrayOfBlocks, totalBytes, totalBlocks)

         /* Store the merged copy in cache so that the next worker doesn't need to rebuild it.
         * This creates a trade-off between memory usage and latency. Storing copy doubles
         * the memory footprint; not storing doubles deserialization cost. Also,
         * this does not need to be reported to BlockManagerMaster since other executors
         * does not need to access this block (they only need to fetch the chunks,
         * which are reported).
         */
         SparkEnv.get.blockManager.putSingle(
            broadcastId, value_, StorageLevel.MEMORY_AND_DISK, tellMaster = false)

         // Remove arrayOfBlocks from memory once value_ is on local cache
         resetWorkerVariables()
      } else {
         logError("Reading broadcast variable " + id + " failed")
      }

      val time = (System.nanoTime - start) / 1e9
      logInfo("Reading broadcast variable " + id + " took " + time + " s")
   }
}
  }[/mw_shl_code]

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：
[mw_shl_code=bash,true]
def receiveBroadcast(): Boolean = {
// Receive meta-info about the size of broadcast data,
// the number of chunks it is divided into, etc.
val metaId = BroadcastBlockId(id, "meta")
var attemptId = 10
while (attemptId > 0 && totalBlocks == -1) {
   TorrentBroadcast.synchronized {
      SparkEnv.get.blockManager.getSingle(metaId) match {
      case Some(x) =>
         val tInfo = x.asInstanceOf[TorrentInfo]
         totalBlocks = tInfo.totalBlocks
         totalBytes = tInfo.totalBytes
         arrayOfBlocks = new Array[TorrentBlock](totalBlocks)
         hasBlocks = 0

      case None =>
         Thread.sleep(500)
      }
   }
   attemptId -= 1
}
if (totalBlocks == -1) {
   return false
}

/*
   * Fetch actual chunks of data. Note that all these chunks are stored in
   * the BlockManager and reported to the master, so that other executors
   * can find out and pull the chunks from this executor.
   */
val recvOrder = new Random().shuffle(Array.iterate(0, totalBlocks)(_ + 1).toList)
for (pid <- recvOrder) {
   val pieceId = BroadcastBlockId(id, "piece" + pid)
   TorrentBroadcast.synchronized {
      SparkEnv.get.blockManager.getSingle(pieceId) match {
      case Some(x) =>
         arrayOfBlocks(pid) = x.asInstanceOf[TorrentBlock]
         hasBlocks += 1
         SparkEnv.get.blockManager.putSingle(
            pieceId, arrayOfBlocks(pid), StorageLevel.MEMORY_AND_DISK, tellMaster = true)

      case None =>
         throw new SparkException("Failed to get " + pieceId + " of " + broadcastId)
      }
   }
}

hasBlocks == totalBlocks
  }[/mw_shl_code]

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：

[mw_shl_code=bash,true]
val locations = Random.shuffle(master.getLocations(blockId))[/mw_shl_code]

即将存有这个block的节点信息随机打乱，然后使用：
[mw_shl_code=bash,true]
val data = BlockManagerWorker.syncGetBlock(
      GetBlock(blockId), ConnectionManagerId(loc.host, loc.port))[/mw_shl_code]

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：
[mw_shl_code=bash,true]cleaner.foreach(_.registerBroadcastForCleanup(bc))
[/mw_shl_code]

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：
[mw_shl_code=bash,true]
  def registerBroadcastForCleanup[T](broadcast: Broadcast[T]) {
registerForCleanup(broadcast, CleanBroadcast(broadcast.id))
  }[/mw_shl_code]

[mw_shl_code=bash,true]
  private def registerForCleanup(objectForCleanup: AnyRef, task: CleanupTask) {
referenceBuffer += new CleanupTaskWeakReference(task, objectForCleanup, referenceQueue)
  }[/mw_shl_code]
等出现广播变量被弱引用时（关于弱引用，可以参考：http://blog.csdn.net/lyfi01/article/details/6415726），则会执行

[mw_shl_code=bash,true]
cleaner.foreach(_.start())[/mw_shl_code]
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：
[mw_shl_code=bash,true]
private def keepCleaning(): Unit = Utils.logUncaughtExceptions {
while (!stopped) {
   try {
      val reference = Option(referenceQueue.remove(ContextCleaner.REF_QUEUE_POLL_TIMEOUT))
      .map(_.asInstanceOf[CleanupTaskWeakReference])
      reference.map(_.task).foreach { task =>
      logDebug("Got cleaning task " + task)
      referenceBuffer -= reference.get
      task match {
         case CleanRDD(rddId) =>
            doCleanupRDD(rddId, blocking = blockOnCleanupTasks)
         case CleanShuffle(shuffleId) =>
            doCleanupShuffle(shuffleId, blocking = blockOnCleanupTasks)
         case CleanBroadcast(broadcastId) =>
            doCleanupBroadcast(broadcastId, blocking = blockOnCleanupTasks)
      }
      }
   } catch {
      case e: Exception => logError("Error in cleaning thread", e)
   }
}
  }[/mw_shl_code]

doCleanupBroadcast调用以下语句：
[mw_shl_code=bash,true]
broadcastManager.unbroadcast(broadcastId, true, blocking)[/mw_shl_code]

然后是：
[mw_shl_code=bash,true]
  def unbroadcast(id: Long, removeFromDriver: Boolean, blocking: Boolean) {
broadcastFactory.unbroadcast(id, removeFromDriver, blocking)
  }[/mw_shl_code]

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

[mw_shl_code=bash,true]
def unpersist(id: Long, removeFromDriver: Boolean, blocking: Boolean) = synchronized {
SparkEnv.get.blockManager.master.removeBroadcast(id, removeFromDriver, blocking)
if (removeFromDriver) {
   val file = getFile(id)
   files.remove(file)
   deleteBroadcastFile(file)
}
  }[/mw_shl_code]

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

[mw_shl_code=bash,true]
  def unpersist(id: Long, removeFromDriver: Boolean, blocking: Boolean) = synchronized {
SparkEnv.get.blockManager.master.removeBroadcast(id, removeFromDriver, blocking)
  }[/mw_shl_code]

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：
http://blog.csdn.net/asongoficeandfire/article/details/37584643

https://endymecy.gitbooks.io/spa ... ared-variables.html