Spark 广播变量和累加器

广播变量

• 举个例子，2个Executor处理四个分区。当本地对象被发送到每个分区的处理线程上使用，也就是一个Executor内。每个Executor相当于就发送了两份数据，Executor进程内资源共享，所以就造成内存资源的浪费。
• 而如果将本地对象标记成广播变量，则给每个Executor发送一份数据，而不像给每个Executor里的每个分区进程都发送一份数据，从而大大地减少了内存资源浪费。

广播变量的代码演示

• 广播变量API介绍

# 将本地list数据标记为广播变量
bc = sc.broadcast(list)
# 使用广播变量
value = bc.value

• 代码演示

# coding: utf8
from pyspark import SparkConf, SparkContext
from pyspark.storagelevel import StorageLevel
if __name__ == '__main__':
    conf  = SparkConf().setMaster('local[*]').setAppName('test')
    sc = SparkContext(conf=conf)
    # 定义本地python list对象
    list_stu = [(1, '马云', 1001),
                     (2, '马化腾', 1002),
                     (3, '刘强东', 1003),
                     (4, '李彦宏', 1004)]
    # 1. 将本地Python List对象标记为广播变量
    bc = sc.broadcast(list_stu)
    rdd_score = sc.parallelize([
        (1, '语文', 90),
        (1, '数学', 95),
        (1, '英语', 98),
        (1, '计算机', 85),
        (2, '语文', 90),
        (2, '数学', 97),
        (2, '英语', 93),
        (2, '计算机', 96),
        (3, '语文', 90),
        (3, '数学', 90),
        (3, '英语', 80),
        (3, '计算机', 85),
        (4, '语文', 90),
        (4, '数学', 98),
        (4, '英语', 93),
        (4, '计算机', 99),
    ])

    # 匹配本地list和分布式rdd中的学生ID  匹配成功后 即可获得当前学生的姓名
    def data_func(data):
        id =data[0]
        name = ""
        # 2. 在使用到本地集合对象的地方, 从广播变量中取出来用即可
        for stu in bc.value:
            stu_id = stu[0]
            if  id == stu_id:
                  name = stu[1]
        return (name,data[1],data[2])

    rdd_map = rdd_score.map(data_func)
    rdd_rs = rdd_map.collect()
    print(rdd_rs)
# 输出结果
[('马云', '语文', 90), ('马云', '数学', 95), ('马云', '英语', 98), ('马云', '计算机', 85), ('马化腾', '语文', 90), ('马化腾', '数学', 97), ('马化腾', '英语', 93), ('马化腾', '计算机', 96), ('刘强东', '语文', 90), ('刘强东', '数学', 90), ('刘强东', '英语', 80), ('刘强东', '计算机', 85), ('李彦宏', '语文', 90), ('李彦宏', '数学', 98), ('李彦宏', '英语', 93), ('李彦宏', '计算机', 99)]

广播变量的使用场景

• 使用场景：本地集合对象和分布式集合对象(RDD) 进行关联的时候使用广播变量。需要将本地集合对象封装为广播变量
• 为什么不能把本地对象转换为RDD进行分布式计算呢？
• 对于这个问题，如果是两个RDD进行分布式计算，按照上述代码需求，难免会使用Join算子，从而会产生大量的shuffle，导致性能降低。所以对于本地数据量不是特别大的时候（KB，MB级别），没有必要转换为RDD进行分布式计算。如果本地集合过大，Driver内存明显不足的情况下，还是转换为RDD进行join计算。
• 使用广播变量的优点：
  • 减少网络IO次数。
  • 减少Executor内存占用。

累加器

• 累加器是用来把Executor端变量信息聚合到Driver端，在Driver程序中定义的变量，在Executor端的每个task都会得到这个变量的一份新的副本，每个task更新这些副本的值后，传回Driver端进行merge。
• 以下段代码为例：

# coding: utf8
from pyspark import SparkConf, SparkContext
if __name__ == '__main__':
    conf  = SparkConf().setMaster('local[*]').setAppName('test')
    sc = SparkContext(conf=conf)

    rdd1 = sc.parallelize([1,2,3,4,5,6,7,8,9,0],2)
    count = 0
    def func(data):
        global count
        count += 1
        print(count)

    rdd_rs = rdd1.map(func).collect()
    print(count)
# 最终结果是0，而不是10？

• count来自Driver，在分布式算子需要count对象时，Driver会将count对象发送给每个Executor，在最后执行print的时候。这个被print的count还是driver的那个，并没有被聚合得到10。所以不管累加多少，这个值始终是0。所以此时我们需要使用累加器。

累加器的代码演示

• 累加器API介绍：

# 设置累加器，累加器里的数字指定初始值
acmlt = sc.accumulator(0)

# coding: utf8
from pyspark import SparkConf, SparkContext
if __name__ == '__main__':
    conf  = SparkConf().setMaster('local[*]').setAppName('test')
    sc = SparkContext(conf=conf)

    rdd1 = sc.parallelize([1,2,3,4,5,6,7,8,9,0],2)
    acmlt = sc.accumulator(0)

    def func(data):
        global acmlt
        acmlt += 1
        print(acmlt)

    rdd_rs = rdd1.map(func).collect()
    print(acmlt)
# 最终数据结果为10

使用累加器的注意事项

• 以下一段代码为例

# coding: utf8
from pyspark import SparkConf, SparkContext
if __name__ == '__main__':
    conf  = SparkConf().setMaster('local[*]').setAppName('test')
    sc = SparkContext(conf=conf)

    rdd1 = sc.parallelize([1,2,3,4,5,6,7,8,9,0],2)
    acmlt = sc.accumulator(0)

    def func(data):
        global acmlt
        acmlt += 1
        print(acmlt)

    rdd2 = rdd1.map(func)
    rdd_rs1 = rdd2.collect()
    rdd3 = rdd2.map(lambda x:x)
    rdd_rs2 = rdd3.collect()

    print(acmlt)
# 最终输出结果是20，为什么不是10？

• 在执行rdd3的时候，rdd2此时数据已经没有了，所有又要重新构建了一次rdd2，所以导致累加器累加的数据再次被执行，结果就是20了。
• 我们需要注意：使用累加器的时候，因为RDD是过程数据，如果RDD被多次使用，可能会重新构建此RDD。如果是累加器累加代码，存在重新构建中，累加器的累加代码被多次执行。
• 我们可以重视cache()或是CheckPoint避免此类事情的发生。

rdd2 = rdd1.map(func)
# 添加cache()
rdd2.cache()
rdd_rs1 = rdd2.collect()
rdd3 = rdd2.map(lambda x:x)
rdd_rs2 = rdd3.collect()
# 结果 10