spark中的累加器和广播变量

     在spark程序中，当一个传递给Spark操作(例如map和reduce)的函数在远程节点上面运行时，Spark操作实际上操作的是这个函数所用变量的一个独立副本。这些变量会被复制到每台机器上，并且这些变量在远程机器上的所有更新都不会传递回驱动程序。通常跨任务的读写变量是低效的，但是，Spark还是为两种常见的使用模式提供了两种有限的共享变量：广播变（broadcast variable）和累加器（accumulator）。

一、广播变量

1）.为什么要将变量定义成广播变量？

     如果我们要在分布式计算里面分发大对象，eg：字典，集合，黑白名单等，这个都会用driver端进行分发，一般来讲，如果这个变量不是广播变量，那么每个task就会分发一份，这在task数目十分多的情况下driver的带宽会成为系统的瓶颈，如果将这个变量声明为广播变量，那么知识每个executor拥有一份，这个executor启动的task会共享这个变量，节省了通信的成本。

补充： driver、executor、task 名词解析

2）.如何定义一个广播变量？

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

val b = sc.broadcast(a)

3）.如何获取一个广播变量？

val c = b.value

4）.定义广播变量需要的注意点？

     1、能不能将一个RDD使用广播变量广播出去？

            不能，因为RDD是不存储数据的。可以将RDD的结果广播出去。

     2、 广播变量只能在Driver端定义，不能在Executor端定义。

     3、 在Driver端可以修改广播变量的值，在Executor端无法修改广播变量的值。

     4、如果executor端用到了Driver的变量，如果不使用广播变量在Executor有多少task就有多少Driver端的变量副本。

     5、如果Executor端用到了Driver的变量，如果使用广播变量在每个Executor中只有一份Driver端的变量副本。

 

二、累加器

1）.为什么要将一个变量定义为一个累加器？

     在spark应用程序中，我们经常会有这样的需求，如异常监控，调试，记录符合某特性的数据的数目，这种需求都需要用到计数器，如果一个变量不被声明为一个累加器，那么它将在被改变时不会再driver端进行全局汇总，即在分布式运行时每个task运行的知识原始变量的一个副本，并不能改变原始变量的值，但是当这个变量被声明为累加器后，该变量就会有分布式计数的功能。

2）.如何定义一个累加器？

val a = sc.accumulator(0)

3）.如何获取一个累加器？

val b = a.value

4）.定义累加器注意事项

      累加器在Driver端定义赋初始值，累加器只能在Driver端读取最后的值，在Excutor端更新。