共享变量工作原理
Spark一个非常重要的特性就是共享变量。
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。
共享变量的工作原理.png
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版本实现
/**
* 广播变量
*/
public class BroadcastVariable {
public static void main(String[] args) {
SparkConf sparkConf = new SparkConf().setAppName("BroadcastVariableJava").setMaster("local");
JavaSparkContext javaSparkContext = new JavaSparkContext(sparkConf);
// 在java中,创建共享变量,就是调用SparkContext的broadcast()方法
// 获取的返回结果是Broadcast<T>类型
final Integer factor = 3;
final Broadcast<Integer> factorBroadcast = javaSparkContext.broadcast(factor);
List<Integer> nums = Arrays.asList(1, 2, 3, 4, 5, 6, 7, 8, 9, 10);
JavaRDD<Integer> numsRDD = javaSparkContext.parallelize(nums);
// 让集合中的每个数字,都乘以外部定义的那个factor
JavaRDD<Integer> newNumsRDD = numsRDD.map(new Function<Integer, Integer>() {
@Override
public Integer call(Integer integer) throws Exception {
// 使用共享变量时,调用其value()方法,即可获取其内部封装的值
return integer * factorBroadcast.getValue();
}
});
newNumsRDD.foreach(new VoidFunction<Integer>() {
@Override
public void call(Integer integer) throws Exception {
System.out.println("integer = " + integer);
}
});
javaSparkContext.close();
}
}
Scala版本实现
object BroadcastVariable {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setAppName("BroadcastVariableScala").setMaster("local")
val context = new SparkContext(conf)
val factor = 3
val factorBroadcast = context.broadcast(factor)
val numsRDD = context.parallelize(1 to 10)
val newNumsRDD = numsRDD.map(_ * factorBroadcast.value)
newNumsRDD.foreach(num => println("num = " + num))
}
}
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版本实现
/**
* 累加变量
*/
public class AccumulatorVariable {
public static void main(String[] args) {
SparkConf sparkConf = new SparkConf().setAppName("AccumulatorVariableJava").setMaster("local");
JavaSparkContext javaSparkContext = new JavaSparkContext(sparkConf);
Integer factor = 5;
final Broadcast<Integer> factorBroadcast = javaSparkContext.broadcast(5);
// 创建Accumulator变量
// 需要调用SparkContext的accumulator()方法
final Accumulator<Integer> sum = javaSparkContext.accumulator(0);
List<Integer> nums = Arrays.asList(1, 2, 3, 4, 5, 6, 7, 8, 9, 10);
JavaRDD<Integer> numsRDD = javaSparkContext.parallelize(nums);
JavaRDD<Integer> newNumsRDD = numsRDD.map(new Function<Integer, Integer>() {
@Override
public Integer call(Integer integer) throws Exception {
// 然后在函数内部,就可以对Accumulator变量,调用add()方法,累加值
sum.add(1);
return integer * factorBroadcast.getValue();
}
});
newNumsRDD.foreach(new VoidFunction<Integer>() {
@Override
public void call(Integer integer) throws Exception {
System.out.println("integer = " + integer);
}
});
// 在driver程序中,可以调用Accumulator的value()方法,获取其值
System.out.println("sum = " + sum);
javaSparkContext.close();
}
}
Scala版本实现
object AccumulatorVariable {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setAppName("AccumulatorVariableScala").setMaster("local")
val context = new SparkContext(conf)
val factor = 5
val factorBroadcast = context.broadcast(factor)
val sum = context.accumulator(0)
val numsRDD = context.parallelize(1 to 10)
val newNumsRDD = numsRDD.map(num => {
sum.add(1)
num * factorBroadcast.value
})
newNumsRDD.foreach(num => println("num = " + num))
println("sum = " + sum)
}
}