spark RDD的作用域

齐格龙齐东强

于 2021-03-15 15:13:24 发布

阅读量257

点赞数

CC 4.0 BY-SA版权

分类专栏： spark

本文链接：https://blog.youkuaiyun.com/wang_ren3/article/details/114834144

4 篇文章

订阅专栏

本文探讨了在使用RDDs时将外部变量放入closures可能导致的问题，特别是序列化和同步方面的挑战。通过一个简单的counter示例说明了不当做法及其潜在风险。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

RDD的作用域也叫做closures，在RDD代码外部定义的对象，一旦放到RDD的closures里面，就会被以序列化的方式传输到工作机上，并且难以保证同步。

var counter = 0
var rdd = sc.parallelize(data)

// Wrong: Don't do this!!
rdd.foreach(x => counter += x)

println("Counter value: " + counter)

比如上述代码中，foreach的作用域是RDD的closure，counter是在closure外部定义的但是在closure内部引用。worker运行closure时，需要把counter以序列化的形式传输过去，并且无法保证数值的同步更新。

因此并不推荐这种用法。

如果counter是一个自定义的类，还可能会出现无法序列化的错误提示。