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
}
}