这是一个创建于 2201 天前的主题，其中的信息可能已经有所发展或是发生改变。
我是 storm 转来 spark 的，storm 可以让我们自己控制数据放在那台机上跑，而我看 spark 好像都是 drive 端定义好然后提交执行，rdd 分布在哪台机对于我们来说似乎是个黑盒？听说对于 hdfs 来说，rdd 会尽可能地放到数据存放的那台机执行？
另外就是假如我有个场景，做流处理，有一块数据需要常驻内存用于跟流匹配，storm 就可以直接初始化在每台机上（ hash 分区），spark 的话怎么处理？好像只能用广播传递到每个 rdd，那这样每次都传不会很耗费网络 io ？
附上我之前的一点发现= =： https://www.v2ex.com/t/508511#reply5
 |
1
cyspy 2018-11-19 10:37:57 +08:00  1
后一个问题是 Spark 的广播变量解决的吧，不适用广播变量的话就是数据跟随 lambda 闭包发送到所有 Executor，每个 RDD Partition 一次，如果用广播变量的话是一次发送到所有 Executor，之后就不再需要重复发送了。至于分配，我理解上 Storm 这类流式处理更多的是搭建一个长期运行的集群系统，而 Spark 是一个批处理系统，以任务为单位的，一个 Executor 挂了会把任务在其他 Executor 上重跑，所以不指定机器。
|
Select Language