Spark累加器(Accumulator)

1.累加器类型：

• 数值累加器：用于计算总和、计数等。
• 布尔累加器：用于计算满足特定条件的次数。
• 自定义累加器：允许定义复杂的聚合逻辑和数据结构。
• 集合累加器：用于计算唯一元素的数量，处理去重操作。

    在 Spark 中，累加器（Accumulators）是一种可以用来在任务执行过程中进行累积的变量。它们主要用于计算全局的汇总值，如计数或求和。累加器是只加的变量（即只进行累加操作），并且是分布式的，适合于在多节点环境中进行汇总。

2.示例：

2.1(数值累加器)：假设我们有一个包含整数的 RDD，我们希望计算这些整数的总和，并使用累加器来进行累积。

# -*- coding: utf-8 -*-
"""
-------------------------------------------------
   File Name：     1.测试累加器
   date：          2024/7/30
-------------------------------------------------
PRODUCT：PyCharm
-------------------------------------------------
"""
from pyspark import SparkContext

# 初始化 SparkContext
sc = SparkContext("local[*]", "测试累加器")
# 创建累加器
accumulator = sc.accumulator(0)


# 定义一个函数来增加累加器的值
def add_to_accumulator(x):
    global accumulator
    accumulator.add(x)


# 创建一个 RDD
rdd = sc.parallelize([1, 2, 3, 4])

# 使用 map 来应用函数，并累加值
rdd.foreach(lambda x: add_to_accumulator(x))

# 由于累加器的值在行动操作之后才会被更新，所以需要使用行动操作触发计算
rdd.count()  # 触发计算

# 打印累加器的值
print("Accumulated value:", accumulator.value)

2.2(自定义累加器)：自定义累加器允许你定义自己的累加逻辑和数据结构。这些累加器可以包含复杂的聚合操作和自定义数据结构。

# -*- coding: utf-8 -*-
"""
-------------------------------------------------
   File Name：     4.自定义累加器测试
   date：          2024/7/30
-------------------------------------------------
PRODUCT：PyCharm
-------------------------------------------------
"""
from pyspark import SparkContext
from pyspark.accumulators import AccumulatorParam

sc = SparkContext("local[*]", "自定义累加器测试")


# 自定义累加器类
class ListAccumulatorParam(AccumulatorParam):
    def zero(self, value):
        return []

    def addInPlace(self, acc1, acc2):
        return acc1 + acc2


list_accumulator = sc.accumulator([], ListAccumulatorParam())


def add_to_list_accumulator(x):
    global list_accumulator
    list_accumulator.add([x])
    return x


rdd = sc.parallelize([1, 2, 3, 4])
rdd.foreach(lambda x: add_to_list_accumulator(x))

rdd.count()  # 触发计算

print("Accumulated list:", list_accumulator.value)

解释

• 自定义累加器类：ListAccumulatorParam 定义了一个自定义累加器，zero 方法返回一个空列表，addInPlace 方法合并两个列表。
• 创建自定义累加器：list_accumulator = sc.accumulator([], ListAccumulatorParam()) 创建了一个自定义的累加器实例。
• 更新累加器：add_to_list_accumulator(x) 函数将每个元素作为列表加到累加器中。
• 应用函数：rdd.foreach(lambda x: add_to_list_accumulator(x)) 将 add_to_list_accumulator 函数应用到 RDD 的每个元素。
• 触发计算：rdd.count() 触发了 RDD 的计算，更新累加器的值。
• 查看结果：list_accumulator.value 获取累加器的最终值，即累加的列表。

• RDD 中的每个元素 [1, 2, 3, 4] 被转换为单元素列表 [1], [2], [3], [4]，并分别添加到累加器中。
• 累加器的 addInPlace 方法将这些列表合并成一个完整的列表。

2.3(集合累加器)：集合累加器用于跟踪独特的元素集合，例如计算唯一元素的数量。它可以用于去重操作。

# -*- coding: utf-8 -*-
"""
-------------------------------------------------
   File Name：     3.集合累加器测试
   date：          2024/7/30
-------------------------------------------------
PRODUCT：PyCharm
-------------------------------------------------
"""
from pyspark import SparkContext
from pyspark.accumulators import AccumulatorParam

sc = SparkContext("local[*]", "集合累加器测试")


# 自定义集合累加器类
class SetAccumulatorParam(AccumulatorParam):
    def zero(self, value):
        return set()

    def addInPlace(self, acc1, acc2):
        return acc1.union(acc2)


set_accumulator = sc.accumulator(set(), SetAccumulatorParam())


def add_to_set_accumulator(x):
    global set_accumulator
    set_accumulator.add(set([x]))
    return x


rdd = sc.parallelize([1, 2, 2, 3, 4, 4])
rdd.foreach(lambda x: add_to_set_accumulator(x))

rdd.count()  # 触发计算

print("Unique elements:", len(set_accumulator.value))

解释

• 自定义累加器类：SetAccumulatorParam 定义了一个自定义累加器，zero 方法返回一个空集合，addInPlace 方法合并两个集合。
• 创建自定义累加器：set_accumulator = sc.accumulator(set(), SetAccumulatorParam()) 创建了一个自定义的累加器实例。
• 更新累加器：add_to_set_accumulator(x) 函数将每个元素作为集合添加到累加器中。
• 应用函数：rdd.foreach(lambda x: add_to_set_accumulator(x)) 将 add_to_set_accumulator 函数应用到 RDD 的每个元素。
• 触发计算：rdd.count() 触发了 RDD 的计算，更新累加器的值。
• 查看结果：len(set_accumulator.value) 获取累加器的最终值，即唯一元素的数量。

• RDD 中的元素 [1, 2, 2, 3, 4, 4] 被转换为集合形式，分别是 {1}, {2}, {2}, {3}, {4}, {4}。
• 每个元素的集合被添加到累加器中。由于累加器的合并逻辑是集合的并集，最终的累加器会包含所有唯一的元素，所以最后的计算结果是4。

3.累加器的特点：

• 只加操作：累加器只能执行加操作，不能进行减操作或其他类型的操作。
• 分布式支持：累加器在多节点环境下是分布式的，每个 Executor 都会在其本地更新累加器的值。最后，这些本地值会在 Driver 节点上进行合并。