26、Spark核心编程之共享变量（Broadcast Variable和Accumulator）

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)
  }
}