spark学习系列——9 spark共享变量

默认情况下，如果在一个算子的函数中使用到了某个外部的变量，那么这个变量的值会被拷贝到每个task中。此时每个task只能操作自己的那份变量副本。如果多个task想要共享某个变量，那么这种方式是做不到的。Spark为此提供了两种共享变量，一种是Broadcast Variable（广播变量），另一种是Accumulator（累加变量）。Broadcast Variable会将使用到的变量，仅仅为每个节点拷贝一份，更大的用处是优化性能，减少网络传输以及内存消耗。Accumulator则可以让多个task共同操作一份变量，主要可以进行累加操作。

Broadcast Variable

Spark提供的Broadcast Variable，是只读的。并且在每个节点上只会有一份副本，而不会为每个task都拷贝一份副本。因此其最大作用，就是减少变量到各个节点的网络传输消耗，以及在各个节点上的内存消耗。此外，spark自己内部也使用了高效的广播算法来减少网络消耗。

Accumulators

Spark提供的Accumulator，主要用于多个节点对一个变量进行共享性的操作。Accumulator只提供了累加的功能。但是确给我们提供了多个task对一个变量并行操作的功能。但是task只能对Accumulator进行累加操作，不能读取它的值。只有Driver程序可以读取Accumulator的值.

package com.wangys

import org.apache.spark.{SparkConf, SparkContext}

object Test {
  val conf = new SparkConf().setMaster("local").setAppName("Test")
  val sc = new SparkContext(conf)

  def broad_test(): Unit ={
    //广播变量是只读
    val broad_value = sc.broadcast((0 to 100).toArray)
    val numberRdd = sc.parallelize(Array(1, 2, 3, 4, 5, 6), 3)
    numberRdd.foreach(number => {
      val broad = broad_value.value
      println(number+broad.length)
    })



  }

  def nopublic(): Unit = {
    //不使用共享变量，task执行节点不可感知
    var sum = 0

    val numberRdd = sc.parallelize(Array(1, 2, 3, 4, 5, 6), 3)
    numberRdd.foreach(number => {
      sum = sum + number
    })

    println("nopublic sum:" + sum)
  }

  def use_public(): Unit = {
    //累加器是executor只写，driver节点可以读
    val sum = sc.longAccumulator

    val numberRdd = sc.parallelize(Array(1, 2, 3, 4, 5, 6), 3)
    numberRdd.foreach(number => {
      sum.add(number)
    })

    println("use_public sum:" + sum.value)

  }

  def main(args: Array[String]): Unit = {
    nopublic
    use_public
    broad_test
  }
}