spark scala broadcast variable广播变量和Accumulator累加器

一、简介

通常情况下，当1个function传递到1个spark operation（例如：map、reduce）时，这个function是在远程的集群node上被执行的。这些变量会被复制到每一台机器，在远程机器上不会更新这些变量，然后又传送回driver program。跨tasks共享读写变量的支持，通常是低效率的。然而，spark提供了2种通用的共享变量模式：广播变量和累加器。

1.1 广播变量

 广播变量允许编程人员在每台机器上保持1个只读的缓存变量，而不是传送变量的副本给tasks。
Spark actions通过步骤的集合进行执行，这个集合被分布式的“shuffle” operations分开来执行。在每个步骤中，Spark自动广播tasks所需的通用数据。这意味着，显式地创建广播变量，仅在当tasks跨多个步骤且需要同样的数据或者使用反序列化的缓存数据时显得非常重要。

举个例子：
val factor = 3
rdd.map( num => num*factor)

以上两行代码显示了rdd的一个map操作，其中factor是一个外部变量。默认情况下，算子的函数内，如果使用到了外部变量，那么会将这个变量拷贝到执行这个函数的每一个task中。如果该变量非常大的话，那么网络传输耗费的资源会特别大，而且在每个节点上占用的内存空间也特别大。
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。广播变量是只读的。
例子：
package cn.spark.study.core

import org.apache.spark.SparkConf
import org.apache.spark.SparkContext

object BroadcastVariable {
def main(args: Array[String]): Unit = {
val conf = new SparkConf()
.setAppName(“broadcastVariable”)
.setMaster(“local”);

val sc = new SparkContext(conf) 
val list = Array(1,2,3,4,5) 
val factor = 3 
val broadcastfactor = sc.broadcast(factor) 
val numbersRDD = sc.parallelize(list, 1) 
val multipleNumber = numbersRDD.map 
{ 
    num => num*broadcastfactor.value 
} 
multipleNumber.foreach { 
num => println(num) 
}

}
}

1.2 累加器

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。

提供了将工作节点中的值聚合到驱动器程序中的简单语法。累加器的一个常见的用途是在调试时对作业的执行过程中事件进行计数。

例子：
package cn.spark.study.core

import org.apache.spark.SparkConf
import org.apache.spark.SparkContext

object AccumulatorTest {
def main(args: Array[String]): Unit = {
val conf = new SparkConf()
.setAppName(“AccumulatorTest”)
.setMaster(“local”);

val sc = new SparkContext(conf)

val sum = sc.accumulator(0)

val list = Array(1,2,3,4,5)

val numbersRDD = sc.parallelize(list, 1)
numbersRDD.foreach { num => sum.add(num) }

println(sum)

}
}

所以：
1.累加器的值只有在驱动器程序中访问，所以检查也应当在驱动器程序中完成。
2.对于行动操作中使用的累加器，Spark只会把每个任务对各累加器的修改应用一次。因此如果想要一个无论在失败还是在重新计算时候都绝对可靠的累加器，必须把它放在foreach（）这样的行动操作中。
而转化操作最好在调试中使用

作者：lmem
链接：https://www.jianshu.com/p/687db128ff2f
來源：简书
简书著作权归作者所有，任何形式的转载都请联系作者获得授权并注明出处。

 

参考：

https://blog.csdn.net/kongshuchen/article/details/51334957

https://blog.csdn.net/l1212xiao/article/details/80840776