spark （共享变量）

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（比如在driver创建的），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。（如图）

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。

可以通过调用SparkContext的broadcast()方法，来针对某个变量创建广播变量。然后在算子的函数内，使用到广播变量时，每个节点只会拷贝一份副本了。每个节点可以使用广播变量的value()方法获取值。记住，广播变量，是只读的。

java写

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.api.java.function.VoidFunction;
import org.apache.spark.broadcast.Broadcast;

import java.util.Arrays;
import java.util.List;


/**
 * 广播变量
 */
public class BroadcastVarible {
    public static void main(String[] args) {
        SparkConf conf = new SparkConf()
                .setMaster("local")
                .setAppName("BroadcastVarible");

        JavaSparkContext sc = new JavaSparkContext(conf);
        int factor = 3;

        Broadcast<Integer> broadcast = sc.broadcast(factor);

        List<Integer> integers = Arrays.asList(12, 3, 56, 78, 5);

        JavaRDD<Integer> parallelize = sc.parallelize(integers);

        JavaRDD<Integer> map = parallelize.map(new Function<Integer, Integer>() {
            @Override
            public Integer call(Integer integer) throws Exception {
                Integer value = broadcast.value();
                return integer * value;
            }
        });

        map.foreach(new VoidFunction<Integer>() {
            @Override
            public void call(Integer integer) throws Exception {
                System.out.println(integer);
            }
        });
        //结果：
        // 36
        //9
        //168
        //234
        //15

    }
}

scala写

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

object BroadcastVaribleaa {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf()
      .setAppName("BroadcastVarible")
      .setMaster("local")

    val sc = new SparkContext(conf)

    val factor = 3
    val factorBroadcast = sc.broadcast(factor)

    val arr: Array[Int] = Array(1,2,3,4,5)
    val rdd: RDD[Int] = sc.parallelize(arr)
    val multipeRDD: RDD[Int] = rdd.map(num => num * factorBroadcast.value)
    multipeRDD.foreach(num => println(num))
    //结果
    //3
    //6
    //9
    //12
    //15


  }
}

Accumulator

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。

java写

import org.apache.spark.Accumulator;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.VoidFunction;

import java.util.Arrays;
import java.util.List;

public class Accumulatoraa {
    public static void main(String[] args) {
        SparkConf conf = new SparkConf()
                .setAppName("Accumulatoraa")
                .setMaster("local");

        JavaSparkContext sc = new JavaSparkContext(conf);

        // 创建Accumulator变量
        // 需要调用SparkContext的accumulator()方法
        Accumulator<Integer> accumulator = sc.accumulator(100);
        Accumulator<Integer> accumulator1 =sc.accumulator(10);

        List<Integer> integers = Arrays.asList(1, 2, 3, 4, 5);

        JavaRDD<Integer> javaRDD = sc.parallelize(integers);

        javaRDD.foreach(new VoidFunction<Integer>() {
            @Override
            public void call(Integer integer) throws Exception {
                accumulator.add(integer);
                accumulator1.add(integer);

            }
        });
        //System.out.println(accumulator.value()+":"+accumulator.id()+":"+accumulator1.id()+":"+accumulator1.value());
        //结果：115:1:2:25
        accumulator.setValue(10);
        System.out.println(accumulator.value()+":"+accumulator.id()+":"+accumulator1.id()+":"+accumulator1.value());
//        10:1:2:25
        //说明：可以用setValue方法 将上面操作的值进行修改。
    }
}

scala写

import org.apache.spark.rdd.RDD
import org.apache.spark.{Accumulator, SparkConf, SparkContext}

object AccumulatorDemo {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf()
      .setMaster("local")
      .setAppName("AccumulatorDemo")

    val sc: SparkContext = new SparkContext(conf)
    val sumAccumultor: Accumulator[Int] = sc.accumulator(3)

    val array = Array(1,2,3,4,5)
    val rdd: RDD[Int] = sc.parallelize(array)

    rdd.foreach(num => sumAccumultor += num)

    println(sumAccumultor.value)
    //结果：18


  }
}