spark 变量使用 broadcast、accumulator

时间：2022-05-17 15:02:23

broadcast

官方文档描述：

Broadcast a read-only variable to the cluster, returning a [[org.apache.spark.broadcast.Broadcast]] object for reading it in distributed functions. The variable will be sent to each cluster only once.
 

函数原型：

def broadcast[T](value: T): Broadcast[T]

广播变量允许程序员将一个只读的变量缓存在每台机器上，而不用在任务之间传递变量。广播变量可被用于有效地给每个节点一个大输入数据集的副本。Spark还尝试使用高效地广播算法来分发变量，进而减少通信的开销。 Spark的动作通过一系列的步骤执行，这些步骤由分布式的洗牌操作分开。Spark自动地广播每个步骤每个任务需要的通用数据。这些广播数据被序列化地缓存，在运行任务之前被反序列化出来。这意味着当我们需要在多个阶段的任务之间使用相同的数据，或者以反序列化形式缓存数据是十分重要的时候，显式地创建广播变量才有用。

源码分析：

def broadcast[T: ClassTag](value: T): Broadcast[T] = {

  assertNotStopped()

  if (classOf[RDD[_]].isAssignableFrom(classTag[T].runtimeClass)) {

    // This is a warning instead of an exception in order to avoid breaking user programs that

    // might have created RDD broadcast variables but not used them:

    logWarning("Can not directly broadcast RDDs; instead, call collect() and "

      + "broadcast the result (see SPARK-5063)")

  }

  val bc = env.broadcastManager.newBroadcast[T](value, isLocal)

  val callSite = getCallSite

  logInfo("Created broadcast " + bc.id + " from " + callSite.shortForm)

  cleaner.foreach(_.registerBroadcastForCleanup(bc))

  bc

}

实例：

 List<Integer> data = Arrays.asList(5, 1, 1, 4, 4, 2, 2);

 JavaRDD<Integer> javaRDD = javaSparkContext.parallelize(data,5);

 final Broadcast<List<Integer>> broadcast = javaSparkContext.broadcast(data);

 JavaRDD<Integer> result = javaRDD.map(new Function<Integer, Integer>() {

   List<Integer> iList = broadcast.value();

   @Override

   public Integer call(Integer v1) throws Exception {

     Integer isum = 0;

     for(Integer i : iList)

       isum += i;

     return v1 + isum;

   }

 });

 System.out.println(result.collect());

accumulator

官方文档描述：

 Create an [[org.apache.spark.Accumulator]] variable of a given type, which tasks can "add"

 values to using the `add` method. Only the master can access the accumulator's `value`.

函数原型：

def accumulator[T](initialValue: T, accumulatorParam: AccumulatorParam[T]): Accumulator[T]

def accumulator[T](initialValue: T, name: String, accumulatorParam: AccumulatorParam[T])

   : Accumulator[T]



累加器是仅仅被相关操作累加的变量，因此可以在并行中被有效地支持。它可以被用来实现计数器和sum。Spark原生地只支持数字类型的累加器，开发者可以添加新类型的支持。如果创建累加器时指定了名字，可以在Spark的UI界面看到。这有利于理解每个执行阶段的进程（对于Python还不支持） 。
累加器通过对一个初始化了的变量v调用SparkContext.accumulator(v)来创建。在集群上运行的任务可以通过add或者”+=”方法在累加器上进行累加操作。但是，它们不能读取它的值。只有驱动程序能够读取它的值，通过累加器的value方法。







源码分析：


def accumulator[T](initialValue: T, name: String)(implicit param: AccumulatorParam[T])

  : Accumulator[T] = {

  val acc = new Accumulator(initialValue, param, Some(name))

  cleaner.foreach(_.registerAccumulatorForCleanup(acc))

  acc

}




实例：




 class VectorAccumulatorParam implements AccumulatorParam<Vector> {

   @Override

   //合并两个累加器的值。

   //参数r1是一个累加数据集合

   //参数r2是另一个累加数据集合

   public Vector addInPlace(Vector r1, Vector r2) {

     r1.addAll(r2);

     return r1;

   }

   @Override

   //初始值

   public Vector zero(Vector initialValue) {

      return initialValue;

   }

   @Override

   //添加额外的数据到累加值中

   //参数t1是当前累加器的值

   //参数t2是被添加到累加器的值

   public Vector addAccumulator(Vector t1, Vector t2) {

       t1.addAll(t2);

       return t1;

   }

 }

 List<Integer> data = Arrays.asList(5, 1, 1, 4, 4, 2, 2);

 JavaRDD<Integer> javaRDD = javaSparkContext.parallelize(data,5);

 final Accumulator<Integer> accumulator = javaSparkContext.accumulator(0);

 Vector initialValue = new Vector();

 for(int i=6;i<9;i++)

   initialValue.add(i);

 //自定义累加器

 final Accumulator accumulator1 = javaSparkContext.accumulator(initialValue,new VectorAccumulatorParam());

 JavaRDD<Integer> result = javaRDD.map(new Function<Integer, Integer>() {

   @Override

   public Integer call(Integer v1) throws Exception {

     accumulator.add(1);

     Vector term = new Vector();

     term.add(v1);

     accumulator1.add(term);

     return v1;

   }

 });

 System.out.println(result.collect());

 System.out.println("~~~~~~~~~~~~~~~~~~~~~" + accumulator.value());

 System.out.println("~~~~~~~~~~~~~~~~~~~~~" + accumulator1.value());




原文引自：https://www.jianshu.com/p/082ef79c63c1?utm_campaign=maleskine&utm_content=note&utm_medium=pc_all_hots&utm_source=recommendation


相关文章