Spark系列（六）——累加器與廣播變量-創(chuàng)新互聯(lián)

一、簡(jiǎn)介

在 Spark 中，提供了兩種類型的共享變量：累加器 (accumulator) 與廣播變量 (broadcast variable)：

公司主營(yíng)業(yè)務(wù)：做網(wǎng)站、網(wǎng)站設(shè)計(jì)、移動(dòng)網(wǎng)站開發(fā)等業(yè)務(wù)。幫助企業(yè)客戶真正實(shí)現(xiàn)互聯(lián)網(wǎng)宣傳，提高企業(yè)的競(jìng)爭(zhēng)能力。成都創(chuàng)新互聯(lián)是一支青春激揚(yáng)、勤奮敬業(yè)、活力青春激揚(yáng)、勤奮敬業(yè)、活力澎湃、和諧高效的團(tuán)隊(duì)。公司秉承以“開放、自由、嚴(yán)謹(jǐn)、自律”為核心的企業(yè)文化，感謝他們對(duì)我們的高要求，感謝他們從不同領(lǐng)域給我們帶來的挑戰(zhàn)，讓我們激情的團(tuán)隊(duì)有機(jī)會(huì)用頭腦與智慧不斷的給客戶帶來驚喜。成都創(chuàng)新互聯(lián)推出澄江免費(fèi)做網(wǎng)站回饋大家。

• 累加器：用來對(duì)信息進(jìn)行聚合，主要用于累計(jì)計(jì)數(shù)等場(chǎng)景；
• 廣播變量：主要用于在節(jié)點(diǎn)間高效分發(fā)大對(duì)象。

二、累加器

這里先看一個(gè)具體的場(chǎng)景，對(duì)于正常的累計(jì)求和，如果在集群模式中使用下面的代碼進(jìn)行計(jì)算，會(huì)發(fā)現(xiàn)執(zhí)行結(jié)果并非預(yù)期：

var counter = 0
val data = Array(1, 2, 3, 4, 5)
sc.parallelize(data).foreach(x => counter += x)
 println(counter)

counter 最后的結(jié)果是 0，導(dǎo)致這個(gè)問題的主要原因是閉包。

2.1 理解閉包

1. Scala 中閉包的概念

這里先介紹一下 Scala 中關(guān)于閉包的概念：

var more = 10
val addMore = (x: Int) => x + more

如上函數(shù) addMore 中有兩個(gè)變量 x 和 more:

• x : 是一個(gè)綁定變量 (bound variable)，因?yàn)槠涫窃摵瘮?shù)的入?yún)ⅲ诤瘮?shù)的上下文中有明確的定義；
• more : 是一個(gè)自由變量 (free variable)，因?yàn)楹瘮?shù)字面量本生并沒有給 more 賦予任何含義。

按照定義：在創(chuàng)建函數(shù)時(shí)，如果需要捕獲自由變量，那么包含指向被捕獲變量的引用的函數(shù)就被稱為閉包函數(shù)。

2. Spark 中的閉包

在實(shí)際計(jì)算時(shí)，Spark 會(huì)將對(duì) RDD 操作分解為 Task，Task 運(yùn)行在 Worker Node 上。在執(zhí)行之前，Spark 會(huì)對(duì)任務(wù)進(jìn)行閉包，如果閉包內(nèi)涉及到自由變量，則程序會(huì)進(jìn)行拷貝，并將副本變量放在閉包中，之后閉包被序列化并發(fā)送給每個(gè)執(zhí)行者。因此，當(dāng)在 foreach 函數(shù)中引用 counter 時(shí)，它將不再是 Driver 節(jié)點(diǎn)上的 counter，而是閉包中的副本 counter，默認(rèn)情況下，副本 counter 更新后的值不會(huì)回傳到 Driver，所以 counter 的最終值仍然為零。

需要注意的是：在 Local 模式下，有可能執(zhí)行 foreach 的 Worker Node 與 Diver 處在相同的 JVM，并引用相同的原始 counter，這時(shí)候更新可能是正確的，但是在集群模式下一定不正確。所以在遇到此類問題時(shí)應(yīng)優(yōu)先使用累加器。

累加器的原理實(shí)際上很簡(jiǎn)單：就是將每個(gè)副本變量的最終值傳回 Driver，由 Driver 聚合后得到最終值，并更新原始變量。

2.2 使用累加器

SparkContext 中定義了所有創(chuàng)建累加器的方法，需要注意的是：被中橫線劃掉的累加器方法在 Spark 2.0.0 之后被標(biāo)識(shí)為廢棄。

使用示例和執(zhí)行結(jié)果分別如下：

val data = Array(1, 2, 3, 4, 5)
// 定義累加器
val accum = sc.longAccumulator("My Accumulator")
sc.parallelize(data).foreach(x => accum.add(x))
// 獲取累加器的值
accum.value

三、廣播變量

在上面介紹中閉包的過程中我們說道每個(gè) Task 任務(wù)的閉包都會(huì)持有自由變量的副本，如果變量很大且 Task 任務(wù)很多的情況下，這必然會(huì)對(duì)網(wǎng)絡(luò) IO 造成壓力，為了解決這個(gè)情況，Spark 提供了廣播變量。

廣播變量的做法很簡(jiǎn)單：就是不把副本變量分發(fā)到每個(gè) Task 中，而是將其分發(fā)到每個(gè) Executor，Executor 中的所有 Task 共享一個(gè)副本變量。

// 把一個(gè)數(shù)組定義為一個(gè)廣播變量
val broadcastVar = sc.broadcast(Array(1, 2, 3, 4, 5))
// 之后用到該數(shù)組時(shí)應(yīng)優(yōu)先使用廣播變量，而不是原值
sc.parallelize(broadcastVar.value).map(_ * 10).collect()

參考資料

RDD Programming Guide

更多大數(shù)據(jù)系列文章可以參見 GitHub 開源項(xiàng)目： 大數(shù)據(jù)入門指南

另外有需要云服務(wù)器可以了解下創(chuàng)新互聯(lián)scvps.cn，海內(nèi)外云服務(wù)器15元起步，三天無理由+7*72小時(shí)售后在線，公司持有idc許可證，提供“云服務(wù)器、裸金屬服務(wù)器、高防服務(wù)器、香港服務(wù)器、美國(guó)服務(wù)器、虛擬主機(jī)、免備案服務(wù)器”等云主機(jī)租用服務(wù)以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡(jiǎn)單易用、服務(wù)可用性高、性價(jià)比高”等特點(diǎn)與優(yōu)勢(shì)，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應(yīng)用場(chǎng)景需求。

當(dāng)前名稱：Spark系列（六）——累加器與廣播變量-創(chuàng)新互聯(lián)
當(dāng)前路徑：http://muchs.cn/article40/diehho.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站排名、網(wǎng)站改版、做網(wǎng)站、動(dòng)態(tài)網(wǎng)站、手機(jī)網(wǎng)站建設(shè)、軟件開發(fā)

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來源： 創(chuàng)新互聯(lián)