RDD累加器和廣播變量
在默認情況下,當Spark在集羣的多個不同節點的多個任務上並行運行一個函數時,它會把函數中涉及到的每個變量,在每個任務上都生成一個副本。但是,有時候需要在多個任務之間共享變量,或者在任務(Task)和任務控制節點(Driver Program)之間共享變量。
爲了滿足這種需求,Spark提供了兩種類型的變量:
1.累加器accumulators:累加器支持在所有不同節點之間進行累加計算(比如計數或者求和)
2.廣播變量broadcast variables:廣播變量用來把變量在所有節點的內存之間進行共享,在每個機器上緩存一個只讀的變量,而不是爲機器上的每個任務都生成一個副本。
累加器
不使用累加器
var counter=0
val data=List(1,2,3)
val rdd = sc.parallelize(data)
rdd.foreach(x=>counter+=x)
//結果爲:counter:6
println("counter:"+counter)
--------------------------------------------
var counter=0
val conf = new SparkConf().setAppName("tt").setMaster("local[*]")
val sc = new SparkContext(conf)
val data=List(1,2,3)
val rdd = sc.parallelize(data)
rdd.foreach(x=>counter+=x)
//結果爲:counter:0
println("counter:"+counter)
使用累加器
通常在向 Spark 傳遞函數時,比如使用 map() 函數或者用 filter() 傳條件時,可以使用驅動器程序中定義的變量,但是集羣中運行的每個任務都會得到這些變量的一份新的副本,更新這些副本的值也不會影響驅動器中的對應變量。這時使用累加器就可以實現我們想要的效果。
val xx: Accumulator[Int] = sc.accumulator(0)
上代碼:
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setAppName("wc").setMaster("local[*]")
val sc = new SparkContext(conf)
sc.setLogLevel("warn")
//使用scala集合累加
var counter1: Int = 0;
var data = Seq(1,2,3)
data.foreach(x => counter1 += x )
println(counter1)//6
println("-------------------------------------")
//使用rdd累加,未使用累加器
var counter2: Int = 0;
val dataRDD= sc.parallelize(data) //分佈式集合的[1,2,3]
dataRDD.foreach(x => counter2 += x)
println(counter2)//0
//RDD操作運行結果是0
//因爲foreach中的函數是傳遞給Worker中的Executor執行,用到了counter2變量
//而counter2變量在Driver端定義的,在傳遞給Executor的時候,各個Executor都有了一份counter2
//最後各個Executor將各自個x加到自己的counter2上面了,和Driver端的counter2沒有關係
println("-------------------------------------")
//使用累加器
val counter3 = sc.accumulator(0)
dataRDD.foreach(x=>counter3+=x)
println(counter3)//6
}
廣播變量
不使用廣播變量
使用廣播變量
上代碼演示
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setAppName("wc").setMaster("local[*]")
val sc = new SparkContext(conf)
//不適用廣播變量
val add = sc.parallelize(List((1,"apple"),(2,"orange"),(3,"banana"),(4,"grape")))
val fruitMap = add.collectAsMap()
val fruitIds = sc.parallelize(List(2,4,1,3))
//根據水果編號取水果名稱
val fruitNames = fruitIds.map(x=>fruitMap(x))
fruitNames.foreach(println)
//注意:以上代碼看似一點問題沒有,但是考慮到數據量如果較大,且Task數較多,
//那麼會導致,被各個Task共用到的fruitMap會被多次傳輸
//應該要減少fruitMap的傳輸,一臺機器上一個,被該臺機器中的Task共用即可
//如何做到?---使用廣播變量
println("----------------------------------")
val broadcastFruitMap = sc.broadcast(fruitMap)
val fruitname2 = fruitIds.map(x=>broadcastFruitMap.value(x))
fruitname2.foreach(println)
}