Question

我需要在构成我的RDD的每个对象中访问一些相当大的列表。所以在我广播这些列表后，我应该将广播变量或broadcast.value（）传入每个对象吗？我不希望为每个对象复制列表，但是每个对象都能够使用列表。我的代码看起来像这样：

class foo(object):
    def __init__(self, number, broadcasted)
        self.NUMBER = number
        self.BROADCASTED = broadcasted

broadcasted_list = sc.broadcast([a, b, c, ...])

所以我应该将RDD创建为

rdd = sc.parallelize([1, 2, 3]).map(lambda x: foo(x, broadcasted_list))

或

rdd = sc.parallelize([1, 2, 3]).map(lambda x: foo(x, broadcasted_list.value()))

谢谢！

Answer 1

取决于您希望self.BROADCASTED包含的内容。我假设您已为此示例简化了方法foo，但由于这一点，我不清楚foo的目的是什么。

如果您希望它包含[a,b,c,..]，请执行broadcasted_list.value()。

如果您希望该变量包含对广播对象的引用，请传入broadcasted_list。

假设您需要列表中的值来执行进一步的计算，您可能希望使用broadcasted_list.value()。我想你会发现如果你传入broadcasted_list，你最终只会得到一个对象的引用，看起来像这样：<pyspark.broadcast.Broadcast object at 0x1f36f50>。

我应该将广播变量或broadcast.value（）传递到我的RDD [自定义对象]吗？

1 个答案: