Spark 闭包、累加器和广播变量
先看以下的 Spark 代码:
object Test {
def main(args:Array[String]):Unit = {
val conf = new SparkConf().setAppName("test");
val sc = new SparkContext(conf)
val rdd = sc.parallelize(List(1,2,3))
var counter = 0
//warn: don't do this
rdd.foreach(x => counter += x)
println("Counter value: "+counter)
sc.stop()
}
}
最终的结果为 counter = 0
,为什么呢?
闭包
Spark 中的闭包: 跨作用域访问函数变量,特指 不在算子的作用域内部,但是在作用域外部却被算子处理和操作了的变量
上面的 counter 变量的作用域在 Driver,而 rdd.foreach() 是在 Executor 上进行运行的; 而现在 foreach() 函数里面使用了
Driver 端定义的变量,这就出现了跨作用域访问变量;
出现这种情况时,Spark 会在 Driver 端将这些变量进行拷贝,将 counter 副本序列化发送到 Executor 进行使用; 因此闭包变量发送到executor进程中之后,就变成了一个一个独立的变量副本了;
此时 Driver 中的 counter 变量和 Executor 变量就不是一个东西了,即使在 Executor 对 counter 变量进行修改了不会影响 Driver 中的 counter 变量。
Spark 提供了两种解决对统一变量进行处理的方式:累加器和广播变量
累加器
累加器的原理:将定义的变量分发到各个 task 进行计算,之后将每个副本变量的最终值传回 Driver,由 Driver 聚合后得到最终值,并更新原始变量。
Spark内置了三种类型的Accumulator,分别是LongAccumulator用来累加整数型,DoubleAccumulator用来累加浮点型,CollectionAccumulator用来累加集合元素。
基本使用:
import org.apache.spark.SparkContext;
import org.apache.spark.api.java.function.MapFunction;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Encoders;
import org.apache.spark.sql.SparkSession;
import org.apache.spark.util.CollectionAccumulator;
import org.apache.spark.util.DoubleAccumulator;
import org.apache.spark.util.LongAccumulator;
import java.util.Arrays;
/**
* 累加器的基本使用
*
* @author CC11001100
*/
public class AccumulatorsSimpleUseDemo {
public static void main(String[] args) {
SparkSession spark = SparkSession.builder().master("local[*]").getOrCreate();
SparkContext sc = spark.sparkContext();
// 内置的累加器有三种,LongAccumulator、DoubleAccumulator、CollectionAccumulator
// LongAccumulator: 数值型累加
LongAccumulator longAccumulator = sc.longAccumulator("long-account");
// DoubleAccumulator: 小数型累加
DoubleAccumulator doubleAccumulator = sc.doubleAccumulator("double-account");
// CollectionAccumulator:集合累加
CollectionAccumulator<Integer> collectionAccumulator = sc.collectionAccumulator("double-account");
Dataset<Integer> num1 = spark.createDataset(Arrays.asList(1, 2, 3), Encoders.INT());
Dataset<Integer> num2 = num1.map((MapFunction<Integer, Integer>) x -> {
longAccumulator.add(x);
doubleAccumulator.add(x);
collectionAccumulator.add(x);
return x;
}, Encoders.INT()).cache();
num2.count();
System.out.println("longAccumulator: " + longAccumulator.value());
System.out.println("doubleAccumulator: " + doubleAccumulator.value());
// 注意,集合中元素的顺序是无法保证的,多运行几次发现每次元素的顺序都可能会变化
System.out.println("collectionAccumulator: " + collectionAccumulator.value());
}
}
- 自定义累加器
当内置的Accumulator无法满足要求时,可以继承AccumulatorV2实现自定义的累加器。
实现自定义累加器的步骤:
-
继承AccumulatorV2,实现相关方法
-
创建自定义Accumulator的实例,然后在SparkContext上注册它
自定义累加器的使用:
import org.apache.spark.SparkContext;
import org.apache.spark.api.java.function.MapFunction;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Encoders;
import org.apache.spark.sql.SparkSession;
import org.apache.spark.util.AccumulatorV2;
import java.math.BigInteger;
import java.util.Arrays;
import java.util.List;
/**
* 自定义累加器
*
* @author CC11001100
*/
public class CustomAccumulatorDemo {
// 需要注意的是累加操作不能依赖顺序,比如类似于StringAccumulator这种则会得到错误的结果
public static class BigIntegerAccumulator extends AccumulatorV2<BigInteger, BigInteger> {
private BigInteger num = BigInteger.ZERO;
public BigIntegerAccumulator() {
}
public BigIntegerAccumulator(BigInteger num) {
this.num = new BigInteger(num.toString());
}
@Override
public boolean isZero() {
return num.compareTo(BigInteger.ZERO) == 0;
}
@Override
public AccumulatorV2<BigInteger, BigInteger> copy() {
return new BigIntegerAccumulator(num);
}
@Override
public void reset() {
num = BigInteger.ZERO;
}
@Override
public void add(BigInteger num) {
this.num = this.num.add(num);
}
@Override
public void merge(AccumulatorV2<BigInteger, BigInteger> other) {
num = num.add(other.value());
}
@Override
public BigInteger value() {
return num;
}
}
public static void main(String[] args) {
SparkSession spark = SparkSession.builder().master("local[*]").getOrCreate();
SparkContext sc = spark.sparkContext();
// 直接new自定义的累加器
BigIntegerAccumulator bigIntegerAccumulator = new BigIntegerAccumulator();
// 然后在SparkContext上注册一下
sc.register(bigIntegerAccumulator, "bigIntegerAccumulator");
List<BigInteger> numList = Arrays.asList(new BigInteger("9999999999999999999999"), new BigInteger("9999999999999999999999"), new BigInteger("9999999999999999999999"));
Dataset<BigInteger> num = spark.createDataset(numList, Encoders.kryo(BigInteger.class));
Dataset<BigInteger> num2 = num.map((MapFunction<BigInteger, BigInteger>) x -> {
bigIntegerAccumulator.add(x);
return x;
}, Encoders.kryo(BigInteger.class));
num2.count();
System.out.println("bigIntegerAccumulator: " + bigIntegerAccumulator.value());
}
}
广播变量
在使用累加器时,如果变量很大并且 task 数很多的话,那么将会占用 task 所在 Executor 的内存的大量内存以及消耗大量的网络IO; 为了解决这种情况,Spark 提供了广播变量(Broadcast Variable);
广播变量的原理是将变量发送到每个 Executor 上,每个 Executor 只要一份变量副本,Executor 上的 task 共用该变量数据(只读),这在变量较大 task 数较多的情况下,就减少了很多内存和网络IO的消耗;
简单使用:
package com.add
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
object BroadCastDemo1 {
def main(args: Array[String]): Unit = {
val bigArr = 1 to 1000 toArray
val conf: SparkConf = new SparkConf().setAppName("BroadCastDemo1").setMaster("local[2]")
val sc: SparkContext = new SparkContext(conf)
// 广播出去.
val bd = sc.broadcast(bigArr)
val list1 = List(30, 50000000, 70, 600000, 10, 20)
val rdd1: RDD[Int] = sc.parallelize(list1, 4)
//获取 广播变量的引用
// 过滤rdd1和bigArr有交集的变量
val rdd2 = rdd1.filter(x => bd.value.contains(x))
rdd2.collect.foreach(println)
Thread.sleep(1000000)
sc.stop()
}
}
输出:
30
70
10
20
广播变量和累加器的区别:
广播变量是共享读变量,task不能去修改它,而累加器可以让多个task操作一个变量
参考:
https://www.cnblogs.com/cc11001100/p/9901606.html
https://blog.csdn.net/hu_lichao/article/details/112451982
https://juejin.cn/post/6844904047015624712#heading-22