08、共享变量(Broadcast Variable和Accumulator)

共享变量工作原理
Spark一个非常重要的特性就是共享变量。
 
默认情况下,如果在一个算子的函数中使用到了某个外部的变量,那么这个变量的值会被拷贝到每个task中。此时每个task只能操作自己的那份变量副本。如果多个task想要共享某个变量,那么这种方式是做不到的。
 
Spark为此提供了两种共享变量,一种是Broadcast Variable(广播变量),另一种是Accumulator(累加变量)。Broadcast Variable会将使用到的变量,仅仅为每个节点拷贝一份,更大的用处是优化性能,减少网络传输以及内存消耗。Accumulator则可以让多个task共同操作一份变量,主要可以进行累加操作。
 
 Broadcast Variable
 
Spark提供的Broadcast Variable,是只读的。并且在每个节点上只会有一份副本,而不会为每个task都拷贝一份副本。因此其最大作用,就是减少变量到各个节点的网络传输消耗,以及在各个节点上的内存消耗。此外,spark自己内部也使用了高效的广播算法来减少网络消耗。
 
可以通过调用SparkContext的broadcast()方法,来针对某个变量创建广播变量。然后在算子的函数内,使用到广播变量时,每个节点只会拷贝一份副本了。每个节点可以使用广播变量的value()方法获取值。记住,广播变量,是只读的。
 
val factor = 3
val factorBroadcast = sc.broadcast(factor)
 
val arr = Array(1, 2, 3, 4, 5)
val rdd = sc.parallelize(arr)
val multipleRdd = rdd.map(num => num * factorBroadcast.value())
 
multipleRdd.foreach(num => println(num))
 
Accumulator
Spark提供的Accumulator,主要用于多个节点对一个变量进行共享性的操作。Accumulator只提供了累加的功能,给我们提供了多个task对一个变量并行操作的功能。但是task只能对Accumulator进行累加操作,不能读取它的值。只有Driver程序可以读取Accumulator的值。
 
val sumAccumulator = sc.accumulator(0)
 
val arr = Array(1, 2, 3, 4, 5)
val rdd = sc.parallelize(arr)
rdd.foreach(num => sumAccumulator += num)
 
println(sumAccumulator.value)
 
 

 
package sparkcore.java;
import java.util.Arrays;
import java.util.List;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.api.java.function.VoidFunction;
import org.apache.spark.broadcast.Broadcast;
/**
 * 广播变量
 */
public class BroadcastVariable {
    public static void main(String[] args) {
        SparkConf conf = new SparkConf()
                .setAppName("BroadcastVariable"
                .setMaster("local"); 
        JavaSparkContext sc = new JavaSparkContext(conf);
    
        // 在java中,创建共享变量,就是调用SparkContext的broadcast()方法
        // 获取的返回结果是Broadcast<T>类型
        final int factor = 3;
        final Broadcast<Integer> factorBroadcast = sc.broadcast(factor);
        
        List<Integer> numberList = Arrays.asList(1, 2, 3, 4, 5);
        
        JavaRDD<Integer> numbers = sc.parallelize(numberList);
        
        // 让集合中的每个数字,都乘以外部定义的那个factor
        JavaRDD<Integer> multipleNumbers = numbers.map(new Function<Integer, Integer>() {
            private static final long serialVersionUID = 1L;
            
            @Override
            public Integer call(Integer v1throws Exception {
                // 使用共享变量时,调用其value()方法,即可获取其内部封装的值
                int factor = factorBroadcast.value();
                return v1 * factor;
            }
            
        });
        
        multipleNumbers.foreach(new VoidFunction<Integer>() {
            
            private static final long serialVersionUID = 1L;
            
            @Override
            public void call(Integer tthrows Exception {
                System.out.println(t);  
            }
            
        });
        
        sc.close();
    }
}
 
package sparkcore.scala
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
object BroadcastVariable {
  def main(args: Array[String]) {
    val conf = new SparkConf()
      .setAppName("BroadcastVariable")
      .setMaster("local")
    val sc = new SparkContext(conf)
    val factor = 3;
    val factorBroadcast = sc.broadcast(factor)
    val numberArray = Array(12345)
    val numbers = sc.parallelize(numberArray1)
    val multipleNumbers = numbers.map { num => num * factorBroadcast.value }
    multipleNumbers.foreach { num => println(num) }
  }
}


 
package sparkcore.java;
import java.util.Arrays;
import java.util.List;
import org.apache.spark.Accumulator;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.VoidFunction;
/**
 * 累加变量
 */
public class AccumulatorVariable {
    public static void main(String[] args) {
        SparkConf conf = new SparkConf()
                .setAppName("Accumulator"
                .setMaster("local");
        JavaSparkContext sc = new JavaSparkContext(conf);
    
        // 创建Accumulator变量
        // 需要调用SparkContext的accumulator()方法
        final Accumulator<Integer> sum = sc.accumulator(0);
        
        List<Integer> numberList = Arrays.asList(1, 2, 3, 4, 5);
        JavaRDD<Integer> numbers = sc.parallelize(numberList);
        
        numbers.foreach(new VoidFunction<Integer>() {
            
            private static final long serialVersionUID = 1L;
            @Override
            public void call(Integer tthrows Exception {
                // 然后在函数内部,就可以对Accumulator变量,调用add()方法,累加值
                sum.add(t);  
            }
            
        });
        
        // 在driver程序中,可以调用Accumulator的value()方法,获取其值
        System.out.println(sum.value());  
        
        sc.close();
    }
}
 
package sparkcore.scala
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
object AccumulatorVariable {
  def main(args: Array[String]) {
    val conf = new SparkConf()
      .setAppName("AccumulatorVariable")
      .setMaster("local")
    val sc = new SparkContext(conf)
    val sum = sc.accumulator(0)
    val numberArray = Array(12345)
    val numbers = sc.parallelize(numberArray1)
    numbers.foreach { num => sum += num }
    println(sum)
  }
}






























posted @ 2017-07-31 12:46  江正军  阅读(...)  评论(... 编辑 收藏