一、廣播變量和累加器
通常情況下，當向Spark操作(如map,reduce)傳遞一個函數(shù)時，它會在一個遠程集群節(jié)點上執(zhí)行，它會使用函數(shù)中所有變量的副本。這些變量被復制到所有的機器上，遠程機器上并沒有被更新的變量會向驅(qū)動程序回傳。在任務之間使用通用的，支持讀寫的共享變量是低效的。盡管如此，Spark提供了兩種有限類型的共享變量，廣播變量和累加器。
1.1 廣播變量：
廣播變量允許程序員將一個只讀的變量緩存在每臺機器上，而不用在任務之間傳遞變量。廣播變量可被用于有效地給每個節(jié)點一個大輸入數(shù)據(jù)集的副本。Spark還嘗試使用高效地廣播算法來分發(fā)變量，進而減少通信的開銷。
Spark的動作通過一系列的步驟執(zhí)行，這些步驟由分布式的shuffle操作分開。Spark自動地廣播每個步驟每個任務需要的通用數(shù)據(jù)。這些廣播數(shù)據(jù)被序列化地緩存，在運行任務之前被反序列化出來。這意味著當我們需要在多個階段的任務之間使用相同的數(shù)據(jù)，或者以反序列化形式緩存數(shù)據(jù)是十分重要的時候，顯式地創(chuàng)建廣播變量才有用。
通過在一個變量v上調(diào)用SparkContext.broadcast(v)可以創(chuàng)建廣播變量。廣播變量是圍繞著v的封裝，可以通過value方法訪問這個變量。舉例如下：
scala> val broadcastVar = sc.broadcast(Array(1, 2, 3))broadcastVar: org.apache.spark.broadcast.Broadcast[Array[Int]] = Broadcast(0)scala> broadcastVar.valueres0: Array[Int] = Array(1, 2, 3)
在創(chuàng)建了廣播變量之后，在集群上的所有函數(shù)中應該使用它來替代使用v.這樣v就不會不止一次地在節(jié)點之間傳輸了。另外，為了確保所有的節(jié)點獲得相同的變量，對象v在被廣播之后就不應該再修改。
1.2 累加器：
累加器是僅僅被相關操作累加的變量，因此可以在并行中被有效地支持。它可以被用來實現(xiàn)計數(shù)器和總和。Spark原生地只支持數(shù)字類型的累加器，編程者可以添加新類型的支持。如果創(chuàng)建累加器時指定了名字，可以在Spark的UI界面看到。這有利于理解每個執(zhí)行階段的進程。（對于python還不支持）
累加器通過對一個初始化了的變量v調(diào)用SparkContext.accumulator(v)來創(chuàng)建。在集群上運行的任務可以通過add或者”+=”方法在累加器上進行累加操作。但是，它們不能讀取它的值。只有驅(qū)動程序能夠讀取它的值，通過累加器的value方法。
下面的代碼展示了如何把一個數(shù)組中的所有元素累加到累加器上:
scala> val accum = sc.accumulator(0, "My Accumulator")accum: spark.Accumulator[Int] = 0scala> sc.parallelize(Array(1, 2, 3, 4)).foreach(x => accum += x)...10/09/29 18:41:08 INFO SparkContext: Tasks finished in 0.317106 sscala> accum.valueres2: Int = 10
盡管上面的例子使用了內(nèi)置支持的累加器類型Int,但是開發(fā)人員也可以通過繼承AccumulatorParam類來創(chuàng)建它們自己的累加器類型。AccumulatorParam接口有兩個方法：
zero方法為你的類型提供一個0值。
addInPlace方法將兩個值相加。
假設我們有一個代表數(shù)學vector的Vector類。我們可以向下面這樣實現(xiàn)：
object VectorAccumulatorParam extends AccumulatorParam[Vector] { def zero(initialValue: Vector): Vector = { Vector.zeros(initialValue.size) } def addInPlace(v1: Vector, v2: Vector): Vector = { v1 += v2 }}// Then, create an Accumulator of this type:val vecAccum = sc.accumulator(new Vector(...))(VectorAccumulatorParam)在Scala里，Spark提供更通用的累加接口來累加數(shù)據(jù)，盡管結(jié)果的類型和累加的數(shù)據(jù)類型可能不一致（例如，通過收集在一起的元素來創(chuàng)建一個列表）。同時,SparkContext..accumulableCollection方法來累加通用的Scala的集合類型。
累加器僅僅在動作操作內(nèi)部被更新，Spark保證每個任務在累加器上的更新操作只被執(zhí)行一次，也就是說，重啟任務也不會更新。在轉(zhuǎn)換操作中，用戶必須意識到每個任務對累加器的更新操作可能被不只一次執(zhí)行，如果重新執(zhí)行了任務和作業(yè)的階段。
累加器并沒有改變Spark的惰性求值模型。如果它們被RDD上的操作更新，它們的值只有當RDD因為動作操作被計算時才被更新。因此，當執(zhí)行一個惰性的轉(zhuǎn)換操作,比如map時，不能保證對累加器值的更新被實際執(zhí)行了。下面的代碼片段演示了此特性：
val accum = sc.accumulator(0)data.map { x => accum += x; f(x) }//在這里,accum的值仍然是0，因為沒有動作操作引起map被實際的計算.二.Java和Scala版本的實戰(zhàn)演示
2.1 Java版本：
/** * 實例：利用廣播進行黑名單過濾！ * 檢查新的數(shù)據(jù) 根據(jù)是否在廣播變量-黑名單內(nèi)，從而實現(xiàn)過濾數(shù)據(jù)。 */public class BroadcastAccumulator { /** * 創(chuàng)建一個List的廣播變量 * */ private static volatile Broadcast<List<String>> broadcastList = null; /** * 計數(shù)器！ */ private static volatile Accumulator<Integer> accumulator = null; public static void main(String[] args) { SparkConf conf = new SparkConf().setMaster("local[2]"). setAppName("WordCountOnlineBroadcast"); JavaStreamingContext jsc = new JavaStreamingContext(conf, Durations.seconds(5)); /** * 注意：分發(fā)廣播需要一個action操作觸發(fā)。 * 注意：廣播的是Arrays的asList 而非對象的引用。廣播Array數(shù)組的對象引用會出錯。 * 使用broadcast廣播黑名單到每個Executor中！ */ broadcastList = jsc.sc().broadcast(Arrays.asList("Hadoop","Mahout","Hive")); /** * 累加器作為全局計數(shù)器！用于統(tǒng)計在線過濾了多少個黑名單！ * 在這里實例化。 */ accumulator = jsc.sparkContext().accumulator(0,"OnlineBlackListCounter"); JavaReceiverInputDStream<String> lines = jsc.socketTextStream("Master", 9999); /** * 這里省去flatmap因為名單是一個個的！ */ JavaPairDStream<String, Integer> pairs = lines.mapToPair(new PairFunction<String, String, Integer>() { @Override public Tuple2<String, Integer> call(String word) { return new Tuple2<String, Integer>(word, 1); } }); JavaPairDStream<String, Integer> wordsCount = pairs.reduceByKey(new Function2<Integer, Integer, Integer>() { @Override public Integer call(Integer v1, Integer v2) { return v1 + v2; } }); /** * Funtion里面 前幾個參數(shù)是 入?yún)ⅰ? * 后面的出參。 * 體現(xiàn)在call方法里面！ * */ wordsCount.foreach(new Function2<JavaPairRDD<String, Integer>, Time, Void>() { @Override public Void call(JavaPairRDD<String, Integer> rdd, Time time) throws Exception { rdd.filter(new Function<Tuple2<String, Integer>, Boolean>() { @Override public Boolean call(Tuple2<String, Integer> wordPair) throws Exception { if (broadcastList.value().contains(wordPair._1)) { /** * accumulator不僅僅用來計數(shù)。 * 可以同時寫進數(shù)據(jù)庫或者緩存中。 */ accumulator.add(wordPair._2); return false; }else { return true; } }; /** * 廣播和計數(shù)器的執(zhí)行，需要進行一個action操作！ */ }).collect(); System.out.println("廣播器里面的值"+broadcastList.value()); System.out.println("計時器里面的值"+accumulator.value()); return null; } }); jsc.start(); jsc.awaitTermination(); jsc.close(); } }2.2 Scala版本
package com.Streamingimport java.utilimport org.apache.spark.streaming.{Duration, StreamingContext}import org.apache.spark.{Accumulable, Accumulator, SparkContext, SparkConf}import org.apache.spark.broadcast.Broadcast/** * Created by lxh on 2016/6/30. */object BroadcastAccumulatorStreaming { /** * 聲明一個廣播和累加器！ */ private var broadcastList:Broadcast[List[String]] = _ private var accumulator:Accumulator[Int] = _ def main(args: Array[String]) { val sparkConf = new SparkConf().setMaster("local[4]").setAppName("broadcasttest") val sc = new SparkContext(sparkConf) /** * duration是ms */ val ssc = new StreamingContext(sc,Duration(2000)) // broadcastList = ssc.sparkContext.broadcast(util.Arrays.asList("Hadoop","Spark")) broadcastList = ssc.sparkContext.broadcast(List("Hadoop","Spark")) accumulator= ssc.sparkContext.accumulator(0,"broadcasttest") /** * 獲取數(shù)據(jù)！ */ val lines = ssc.socketTextStream("localhost",9999) /** * 1.flatmap把行分割成詞。 * 2.map把詞變成tuple(word,1) * 3.reducebykey累加value * (4.sortBykey排名) * 4.進行過濾。 value是否在累加器中。 * 5.打印顯示。 */ val words = lines.flatMap(line => line.split(" ")) val wordpair = words.map(word => (word,1)) wordpair.filter(record => {broadcastList.value.contains(record._1)}) val pair = wordpair.reduceByKey(_+_) /** * 這個pair 是PairDStream<String, Integer> * 查看這個id是否在黑名單中，如果是的話，累加器就+1 *//* pair.foreachRDD(rdd => { rdd.filter(record => { if (broadcastList.value.contains(record._1)) { accumulator.add(1) return true } else { return false } }) })*/ val filtedpair = pair.filter(record => { if (broadcastList.value.contains(record._1)) { accumulator.add(record._2) true } else { false } }).print println("累加器的值"+accumulator.value) // pair.filter(record => {broadcastList.value.contains(record._1)}) /* val keypair = pair.map(pair => (pair._2,pair._1))*/ /** * 如果DStream自己沒有某個算子操作。就通過轉(zhuǎn)化transform！ */ /* keypair.transform(rdd => { rdd.sortByKey(false)//TODO })*/ pair.print() ssc.start() ssc.awaitTermination() }}總結(jié)
以上就是本文關于Spark的廣播變量和累加器使用方法代碼示例的全部內(nèi)容，希望對大家有所幫助。有什么問題可以隨時留言，小編會及時回復大家。感謝朋友們對VEVB武林網(wǎng)網(wǎng)站的支持。
新聞熱點
疑難解答
圖片精選
