java的变量累加_Spark共享变量(广播变量、累加器)

1.Spark两种共享变量：广播变量(broadcast variable)与累加器(accumulator)

累加器用来对信息进行聚合，而广播变量用来高效分发较大的对象。

共享变量出现的原因：

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。

Spark 的两个共享变量，累加器与广播变量，分别为结果聚合与广播这两种常见的通信模式突破了这一限制。

2. 广播变量的引入：

Spark 会自动把闭包中所有引用到的变量发送到工作节点上。虽然这很方便，但也很低效。

原因有二：首先，默认的任务发射机制是专门为小任务进行优化的；其次，事实上你可能会在多个并

行操作中使用同一个变量，但是 Spark 会为每个操作分别发送。

1.用一段代码来更直观的解释：

object BroadcastTest {

def main(args: Array[String]): Unit = {

val conf = new SparkConf().setMaster("local").setAppName("broadcast")

val sc = new SparkContext(conf)

val list = List("hello java")

val linesRDD = sc.textFile("./word")

linesRDD.filter(line => {

list.contains(line)

}).foreach(println)

sc.stop()

}

}

list是在driver端创建的，但是因为需要在excutor端使用，所以driver会把list以task的形式发送到excutor端，

如果有很多个task，就会有很多给excutor端携带很多个list，如果这个list非常大的时候，就可能会造成内存溢出

(如下图所示)。这个时候就引出了广播变量。

使用广播变量后：

使用广播变量的过程很简单：

(1) 通过对一个类型 T 的对象调用 SparkContext.broadcast 创建出一个 Broadcast[T] 对象。任何可序列化的类型都可以这么实现。

(2) 通过 value 属性访问该对象的值(在 Java 中为 value() 方法)。

(3) 变量只会被发到各个节点一次，应作为只读值处理(修改这个值不会影响到别的节点)。

案例如下：

object BroadcastTest {

def main(args: Array[String]): Unit = {

val conf = new SparkConf().setMaster("local").setAppName("broadcast")

val sc = new SparkContext(conf)

val list = List("hello java")

val broadcast = sc.broadcast(list)

val linesRDD = sc.textFile("./word")

linesRDD.filter(line => {

broadcast.value.contains(line)

}).foreach(println)

sc.stop()

}

}

2.注意事项：

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。

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。

object AccumulatorTest{

def main(args: Array[String]): Unit = {

val conf = new SparkConf().setMaster("local").setAppName("broadcast")

val sc = new SparkContext(conf)

val linesRDD = sc.textFile("./word")

var i=0;

val result = linesRDD.map(s=>{

i += 1

s

})

result.collect()

println("word lines is :"+i)

sc.stop()

}

}

//我们发现打印的结果为

//word lines is :0

依然是driver和excutor端的数据不能共享的问题。excutor端修改了变量，根本不会让driver端跟着修改，

这个就是累加器出现的原因。

2.累加器：

作用：提供了将工作节点中的值聚合到驱动器程序中的简单语法。(如下图)

常用场景：调试时对作业执行过程中的事件进行计数。

1.累加器的用法如下所示：

(1)通过在driver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。

(2)Spark闭包(函数序列化)里的excutor代码可以使用累加器的 += 方法(在Java中是 add )增加累加器的值。

(3)driver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。

object AccumulatorTest {

def main(args: Array[String]): Unit = {

val conf = new SparkConf().setMaster("local").setAppName("accumulator")

val sc = new SparkContext(conf)

val accumulator = sc.longAccumulator("AccumulatorTest"); //创建accumulator并初始化为0

val linesRDD = sc.textFile("./sp")

val result = linesRDD.map(s => {

accumulator.add(1) //有一条数据就增加1

s

})

result.collect();

println("words lines is :" + accumulator.value)

sc.stop()

}

}

// 输出结果：

//words lines is :3

2.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，在Excutor端更新(如下图)。