BroadCast 变量在 Spark 程序中发布

Question

在 spark - java 程序中，我需要读取一个配置文件并填充一个 HashMap ，我需要将其发布为广播变量，以便它可以在所有数据节点上使用。

我需要在 CustomInputFormat class 中获取此广播变量的值，它将发送到数据节点中的运行。我如何在我的 CustomInputFormat class 中指定以从特定广播变量获取值，因为广播变量是在我的驱动程序中声明的？

我正在添加一些代码来详细解释它：

在这种情况下1，我在驱动程序本身中使用它，即变量在同一个 class 中使用：在这里我可以使用 Broadcat.value() 方法

> final Broadcast<String[]> signPrefixes =
> sc.broadcast(loadCallSignTable());
>     JavaPairRDD<String, Integer> countryContactCounts = contactCounts.mapToPair(
>       new PairFunction<Tuple2<String, Integer>, String, Integer> (){
>         public Tuple2<String, Integer> call(Tuple2<String, Integer> callSignCount) {
>           String sign = callSignCount._1();
>           String country = lookupCountry(sign, signPrefixes.value());
>           return new Tuple2(country, callSignCount._2());
>         }}).reduceByKey(new SumInts());

在场景 2 中，我将在我的自定义输入格式中使用广播变量 class :

驱动程序：

> final JavaSparkContext sc=    new
> JavaSparkContext(sConf.setAppName("ParserSpark").setMaster("yarn-cluster"));
> Broadcast<int[]> broadcastVar = sc.broadcast(new int[] {1, 2, 3});
> 
> JavaPairRDD<NullWritable, ArrayList<Record>> baseRDD =
> sc.newAPIHadoopFile(args[2], InputFormat.class, NullWritable.class,
> ArrayList.class, conf);

InputFormat.class

> public class InputFormat extends  FileInputFormat {
> 
>   @Override   public RecordReader<NullWritable, ArrayList<Record>> 
>   createRecordReader(InputSplit split,            TaskAttemptContext context)
> throws IOException,           InterruptedException{
>       //I want to get the Broadcast Variable Here -- How will I do it 
>       
>         RecordReader reader = new RecordReader();         reader.initialize(split, context);      return reader;  }   @Override
>   protected boolean isSplitable(JobContext context, Path file) {
>       return false;    } }

Answer 1

您可以在 val bcVariable = sc.broadcast(myVariableToBroadcast) 的驱动程序上创建广播 var，稍后使用 bcVariable.value

访问它

Answer 2

我最近运行对此感兴趣。结束其实很简单（几个小时后然后...哈！）

创建一个新的配置，设置您的变量，并将其传递给 newAPIHadoopFile 函数的一个稍微不同的实现。

来自驱动程序（这里使用Scala）：

val myConf = new Configuration();
    myConf.set("var1", v1)
    myConf.set("var2", v2)
    myConf.set("var3", v3)

val yourFile = sc.newAPIHadoopFile("yourFilePath", classOf[MyFileInputFormat],classOf[org.apache.hadoop.io.Text], classOf[org.apache.hadoop.io.DoubleWritable],myConf)

从您的 InputFormat 或 InputReader.. 或者您有上下文的任何地方（Java 这次）

context.getConfiguration().get("var1");

或者

job.getConfiguration().get("var2");

BroadCast 变量在 Spark 程序中发布

BroadCast Variable publish in Spark Program

java

apache-spark

rdd