java - 在 Spark 中将数据集应用为广播

Question

我有两个数据集，我需要在尝试注册时将一个数据集(较小的一个)注册为 Broadcast，我才能使用广播功能。

代码如下:

JavaRDD<String> maps = ctx.textFile("C:\\Users\\sateesh\\Desktop\\country.txt");
Broadcast<JavaRDD<String>> broadcastVar = ctx.broadcast(maps);
//Broadcast<Map<Integer, String>> broadcastVar = ctx.broadcast(map);
List<Integer> list = new ArrayList<Integer>();
list.add(1);
list.add(2);
list.add(9);
JavaRDD<Integer> listrdd = ctx.parallelize(list);
JavaRDD<Object> mapr = listrdd.map(x -> broadcastVar.value());
System.out.println(mapr.collect());

这里我无法获取broadcastVar.value().get(x)。如果将任何手动 map 注册为广播，则效果很好，但如果是文本文件，则效果不佳。

Answer 1

为了向集群广播任何数据，它必须来自驱动程序。因此，collect() 您的 rdd 并广播它。

JavaRDD<String> rdd = ctx.textFile("C:\\Users\\sateesh\\Desktop\\country.txt");

Broadcast<List<String>> broadcastVar = ctx.broadcast(rdd.collect());

Please be aware collect() will bring entire rdd to driver it might throw OOM exception. Broadcast is suggested for less sized data.