Spark刷爆磁盘与Java弱引用的关系

 [[351561]]

 

一 引用基本概念

 

如下面，定义两个变量num，str，存储模型大致如下图：

int num = 6; 
String str = “浪尖聊大数据”; 

 

变量num值直接从6修改为了8;变量str只是修改了其保存的地址，从0x88修改为0x86，对象 “浪尖聊大数据 ”本身还在内存中，并没有被修改。只是内存中新增了对象 “浪尖是帅哥”。

二 值传递&引用传递

 

举例说明引用传递和值传递：

第一个栗子：基本类型 
void foo(int value) { 
    value = 88; 
} 
foo(num); // num 没有被改变 
 
第二个栗子：没有提供改变自身方法的引用类型 
void foo(String text) { 
    text = "mac"; 
} 
foo(str); // str 也没有被改变 
 
第三个栗子：提供了改变自身方法的引用类型 
StringBuilder sb = new StringBuilder("vivo"); 
void foo(StringBuilder builder) { 
    builder.append("5"); 
} 
foo(sb); // sb 被改变了，变成了"vivo5"。 
 
第四个栗子：提供了改变自身方法的引用类型，但是不使用，而是使用赋值运算符。 
StringBuilder sb = new StringBuilder("oppo"); 
void foo(StringBuilder builder) { 
    builder = new StringBuilder("vivo"); 
} 
foo(sb); // sb 没有被改变，还是 "oppo"。 

三 引用的类型

单纯的申明一个软引用，指向一个person对象 
1 SoftReference pSoftReference=new SoftReference(new Person(“张三”,12)); 
 
声明一个引用队列 
ReferenceQueue<Person> queue = new ReferenceQueue<>(); 
 
声明一个person对象，李四，obj是其强引用 
Person obj = new Person(“李四”,13); 
 
使软引用softRef指向李四对应的对象，并且将该软引用关联到引用队列 
2 SoftReference softRef = new SoftReference<Object>(obj,queue); 
 
声明一个person对象，名叫王酒，并保证其仅含软引用，且将软引用关联到引用队列queue 
3 SoftReference softRef = new SoftReference<Object>(new Person(“王酒”,15),queue); 
 
使用很简单softRef.get即可获取对应的value。 

WeakReference<Person> weakReference = new WeakReference<>(new Person(“浪尖”，18)); 
 
声明一个引用队列 
ReferenceQueue<Person> queue = new ReferenceQueue<>(); 
 
声明一个person对象，李四，obj是其强引用 
Person obj = new Person(“李四”,13); 
 
声明一个弱引用，指向强引用obj所指向的对象，同时该引用绑定到引用队列queue。 
WeakReference weakRef = new WeakReference<Object>(obj,queue); 
 
使用弱引用也很简单，weakRef.get 

声明引用队列 
ReferenceQueue queue = new ReferenceQueue(); 
 
声明一个虚引用 
PhantomReference<Person> reference = new PhantomReference<Person>(new Person(“浪尖”,18), queue); 
 
获取虚引用的值，直接为null，因为无法通过虚引用获取引用对象。 
System.out.println(reference.get()); 

 

 

 

 

 

四 Threadlocal如何使用弱引用

 

 

五 spark如何使用弱引用进行数据清理

 

 

 

 

shuffle相关的引用，实际上是在ShuffleDependency内部实现了，shuffle状态注册到ContextCleaner过程：

_rdd.sparkContext.cleaner.foreach(_.registerShuffleForCleanup(this)) 

然后，我们翻开registerShuffleForCleanup函数源码可以看到，注释的大致意思是注册ShuffleDependency目的是在垃圾回收的时候清除掉它对应的数据：

/** Register a ShuffleDependency for cleanup when it is garbage collected. */ 
  def registerShuffleForCleanup(shuffleDependency: ShuffleDependency[_, _, _]): Unit = { 
    registerForCleanup(shuffleDependency, CleanShuffle(shuffleDependency.shuffleId)) 
  } 

其中，registerForCleanup函数如下：

/** Register an object for cleanup. */ 
  private def registerForCleanup(objectForCleanup: AnyRef, task: CleanupTask): Unit = { 
    referenceBuffer.add(new CleanupTaskWeakReference(task, objectForCleanup, referenceQueue)) 
  } 

referenceBuffer主要作用保存CleanupTaskWeakReference弱引用，确保在引用队列没处理前，弱引用不会被垃圾回收。

/** 
   * A buffer to ensure that `CleanupTaskWeakReference`s are not garbage collected as long as they 
   * have not been handled by the reference queue. 
   */ 
  private val referenceBuffer = 
    Collections.newSetFromMap[CleanupTaskWeakReference](new ConcurrentHashMap) 

ContextCleaner内部有一个线程，循环从引用队列里取被垃圾回收的RDD等相关弱引用，然后完成对应的数据清除工作。

private val cleaningThread = new Thread() { override def run(): Unit = keepCleaning() } 

其中，keepCleaning函数，如下：

/** Keep cleaning RDD, shuffle, and broadcast state. */ 
  private def keepCleaning(): Unit = Utils.tryOrStopSparkContext(sc) { 
    while (!stopped) { 
      try { 
        val reference = Option(referenceQueue.remove(ContextCleaner.REF_QUEUE_POLL_TIMEOUT)) 
          .map(_.asInstanceOf[CleanupTaskWeakReference]) 
        // Synchronize here to avoid being interrupted on stop() 
        synchronized { 
          reference.foreach { ref => 
            logDebug("Got cleaning task " + ref.task) 
            referenceBuffer.remove(ref) 
            ref.task match { 
              case CleanRDD(rddId) => 
                doCleanupRDD(rddId, blocking = blockOnCleanupTasks) 
              case CleanShuffle(shuffleId) => 
                doCleanupShuffle(shuffleId, blocking = blockOnShuffleCleanupTasks) 
              case CleanBroadcast(broadcastId) => 
                doCleanupBroadcast(broadcastId, blocking = blockOnCleanupTasks) 
              case CleanAccum(accId) => 
                doCleanupAccum(accId, blocking = blockOnCleanupTasks) 
              case CleanCheckpoint(rddId) => 
                doCleanCheckpoint(rddId) 
            } 
          } 
        } 
      } catch { 
        case ie: InterruptedException if stopped => // ignore 
        case e: Exception => logError("Error in cleaning thread", e) 
      } 
    } 
  } 

shuffle数据清除的函数是doCleanupShuffle，具体内容如下：

/** Perform shuffle cleanup. */ 
  def doCleanupShuffle(shuffleId: Int, blocking: Boolean): Unit = { 
    try { 
      logDebug("Cleaning shuffle " + shuffleId) 
      mapOutputTrackerMaster.unregisterShuffle(shuffleId) 
      shuffleDriverComponents.removeShuffle(shuffleId, blocking) 
      listeners.asScala.foreach(_.shuffleCleaned(shuffleId)) 
      logDebug("Cleaned shuffle " + shuffleId) 
    } catch { 
      case e: Exception => logError("Error cleaning shuffle " + shuffleId, e) 
    } 
  } 

细节就不细展开了。

 

ContextCleaner的start函数被调用后，实际上启动了一个调度线程，每隔30min主动调用了一次System.gc()，来触发垃圾回收。

/** Start the cleaner. */ 
  def start(): Unit = { 
    cleaningThread.setDaemon(true) 
    cleaningThread.setName("Spark Context Cleaner") 
    cleaningThread.start() 
    periodicGCService.scheduleAtFixedRate(() => System.gc(), 
      periodicGCInterval, periodicGCInterval, TimeUnit.SECONDS) 
  } 

具体参数是：

spark.cleaner.periodicGC.interval 

本文转载自微信公众号「浪尖聊大数据」，可以通过以下二维码关注。转载本文请联系浪尖聊大数据公众号。