Spark共享变量

概述

        引用官方的概述
        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）

共享变量

广播变量

广播变量的作用

        使用Spark计算时，对象是由Driver端进行分发，执行每个task都会分发一份，这在task数目十分多的情况下Driver的带宽会成为系统的瓶颈，而且会大量消耗task服务器上的资源，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，节省了通信的成本和服务器的资源。

广播变量的图解

使用广播变量之后

代码实现

val broadcastVar = sc.broadcast(Array(1, 2, 3))   //定义一个广播变量

scala> broadcastVar.value 	//还原一个广播变量

注意事项

• 能不能讲一个广播变量广播出去？
  答：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。
• 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。
• 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。
• 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。

累加器

累加器的作用

        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运行的只是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。

累加器的图解

正确的图解

代码实现

val accum = sc.longAccumulator("My Accumulator") //定义一个累加器

val b = a.value  //还原

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。
• 累加器不是一个调优的操作，因为如果不这样做，结果是错的

转载自：https://www.cnblogs.com/qingyunzong/p/8890483.html