闭包引用是编程语言中的一个概念，指的是在一个函数中引用了函数外的变量。在Spark中，闭包引用是指分布式算子中引用外部变量的情况。普通的变量是在Driver程序中创建的，而RDD的计算是在分布式集群中的task程序上进行的。因此，当分布式算子的函数引用了外部的变量时，Driver会将该变量序列化后通过网络发送给每一个task（只针对普通对象）。

在闭包函数内对外部变量进行修改，并不会改变闭包外的变量。因为在闭包函数内的修改只是在task上对复制过来的闭包对象副本的修改，并不会影响到driver端的原对象，它们是存在于两台机器上的独立的文件，互不影响。

好处

闭包引用适用于大表join小表的场景，可以将小表数据（如字典表、维度表）发送到大表所在节点的内存中，在map阶段完成join，无需通过两个RDD去join，从而省去了shuffle操作。

适用条件

闭包引用的对象必须实现序列化接口（extends Serializable）。被引用的对象数据量不能太大，否则会导致task端内存溢出。

单例对象的闭包引用

单例对象（object对象）只在每个executor进程中持有一份，由其中的多个task线程共享。不要在task中对单例对象进行修改操作，否则会产生线程安全问题。而普通对象在每个task线程中都持有一份，不存在线程安全问题。

广播变量

在闭包引用的场景中，Spark为每个task都复制了一份它需要的数据。当数据量较大且task较多时，必然会给网络IO和内存资源造成很大压力。而广播变量只给每个executor发送一份变量副本，由多个task共享。

和闭包引用的区别

1、闭包引用中，是由driver给每个executor直接发送数据。广播变量中，是通过BitTorrent协议来发送数据的，可以减少通信成本（所有executor遵循了人人为我，我为人人的原则）。

2、闭包引用中，每个task持有一份引用对象的副本，并可以修改（只在该task线程生效）；广播变量中，一个executor只持有一份广播变量的副本，由多个task共享，该数据是只读的，不可修改。