第5章 RDD编程进阶
5.1 累加器
累加器用来对信息进行聚合,通常在向 Spark 传递函数时,比如使用 map() 函数或者用 filter() 传条件时,可以使用驱 动器程序中定义的变量,但是集群中运行的每个任务都会得到这些变量的一份新的副本, 更新这些副本的值也不会影响驱动器中的对应变量。 如果我们想实现所有分片处理时更新共享变量的功能,那么累加器可以实现我们想要的效果。
5.1.1 系统累加器
package com.atguigu
import org.apache.spark.{SparkConf, SparkContext}
object AccuTest {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setAppName("cp").setMaster("local[*]")
val sc = new SparkContext(conf)
val arr = Array(1,2,3,4,5)
val rdd = sc.makeRDD(arr)
var sum = sc.accumulator(0)
rdd.map{x=>
sum += x
x
}.collect
println(sum.value)
}
}
累加器的用法如下所示。
通过在驱动器中调用SparkContext.accumulator(initialValue)方法,创建出存有初始值的累加器。返回值为 org.apache.spark.Accumulator[T] 对象,其中 T 是初始值 initialValue 的类型。Spark闭包里的执行器代码可以使用累加器的 += 方法(在Java中是 add)增加累加器的值。 驱动器程序可以调用累加器的value属性(在Java中使用value()或setValue())来访问累加器的值。
注意:工作节点上的任务不能访问累加器的值。从这些任务的角度来看,累加器是一个只写变量。
对于要在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重复计 算时都绝对可靠的累加器,我们必须把它放在 foreach() 这样的行动操作中。转化操作中累加器可 能会发生不止一次更新
自定义累加器
自定义累加器类型的功能在1.X版本中就已经提供了,但是使用起来比较麻烦,在2.0版本后,累加器的易用性有了较大的改进,而且官方还提供了一个新的抽象类:AccumulatorV2来提供更加友好的自定义类型累加器的实现方式。实现自定义类型累加器需要继承AccumulatorV2并至少覆写下例中出现的方法,下面这个累加器可以用于在程序运行过程中收集一些文本类信息,最终以Set[String]的形式返回。
import org.apache.spark.util.AccumulatorV2
import org.apache.spark.{SparkConf, SparkContext}
import scala.collection.JavaConversions._
class LogAccumulator extends org.apache.spark.util.AccumulatorV2[String, java.util.Set[String]] {
private val _logArray: java.util.Set[String] = new java.util.HashSet[String]()
override def isZero: Boolean = {
_logArray.isEmpty
}
override def reset(): Unit = {
_logArray.clear()
}
override def add(v: String): Unit = {
_logArray.add(v)
}
override def merge(other: org.apache.spark.util.AccumulatorV2[String, java.util.Set[String]]): Unit = {
other match {
case o: LogAccumulator => _logArray.addAll(o.value)
}
}
override def value: java.util.Set[String] = {
java.util.Collections.unmodifiableSet(_logArray)
}
override def copy():org.apache.spark.util.AccumulatorV2[String, java.util.Set[String]] = {
val newAcc = new LogAccumulator()
_logArray.synchronized{
newAcc._logArray.addAll(_logArray)
}
newAcc
}
}
// 过滤掉带字母的
object LogAccumulator {
def main(args: Array[String]) {
val conf=new SparkConf().setAppName("LogAccumulator").setMaster("local[*]")
val sc=new SparkContext(conf)
val accum = new LogAccumulator
sc.register(accum, "logAccum")
val sum = sc.parallelize(Array("1", "2a", "3", "4b", "5", "6", "7cd", "8", "9"), 2).filter(line => {
val pattern = """^-?(\d+)"""
val flag = line.matches(pattern)
if (!flag) {
accum.add(line)
}
flag
}).map(_.toInt).reduce(_ + _)
println("sum: " + sum)
for (v <- accum.value) print(v + "")
println()
sc.stop()
}
}
自己写的
package com.atguigu
import java.util
import org.apache.spark.util.AccumulatorV2
import org.apache.spark.{SparkConf, SparkContext}
import scala.collection.JavaConversions._
class logAccumulatorTest extends AccumulatorV2[String,java.util.Set[String]]{
private val _logArr: java.util.Set[String] = new java.util.HashSet[String]()
override def isZero: Boolean = _logArr.isEmpty
override def copy(): AccumulatorV2[String, util.Set[String]] = {
val newlog = new logAccumulatorTest
newlog._logArr.addAll(_logArr)
newlog
}
override def reset(): Unit = _logArr.clear()
override def add(v: String): Unit = _logArr.add(v)
override def merge(other: AccumulatorV2[String, util.Set[String]]): Unit = {
_logArr.addAll(other.value)
}
override def value: util.Set[String] = _logArr
}
object logAcc{
def main(args: Array[String]): Unit = {
val conf=new SparkConf().setAppName("LogAccumulator").setMaster("local[*]")
val sc=new SparkContext(conf)
val logAcc = new logAccumulatorTest
sc.register(logAcc, "logAccumlator")
val sum = sc.parallelize(Array("1", "2a", "3", "4b", "5", "6", "7cd", "8", "9"), 2).filter( line => {
val pattern = """^-?(\d+)"""
val flag = line.matches(pattern)
if(!flag){
logAcc.add(line)
}
flag
}).map(_.toInt).reduce(_+_)
println("sum:"+sum)
for(v <- logAcc.value) println(v)
}
}
遇到的错误
Scala编程中常见错误:Error:(24, 29) value foreach is not a member of java.util.Set[String]
问题:
在Scala编程开发中, 经常会出现类似如下的错误,
Error:(24, 29) value foreach is not a member of java.util.Set[String]
for (key <- reducedList.keySet) {
^
或
Error:(21, 22) value filter is not a member of java.util.ArrayList[myakka.messages.Word]
for (wc: Word <- dataList) {
^
解决方法:
因为reducedList是java.util.HashMap, 没有foreach方法, 所以需要将其转换为Scala的集合类型,
因此需要在代码中加入如下内容(Scala支持与Java的隐式转换),
import scala.collection.JavaConversions._