共享变量工作原理

  1. Spark一个非常重要的特性就是共享变量。
  3. 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。
  5. 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

  1. 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。
  3. 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。
  5. val factor = 3
  6. val factorBroadcast = sc.broadcast(factor)
  8. val arr = Array(1, 2, 3, 4, 5)
  9. val rdd = sc.parallelize(arr)
  10. val multipleRdd = rdd.map(num => num * factorBroadcast.value())
  12. multipleRdd.foreach(num => println(num))

java 版本

  1.     public static void main(String[] args) {
  2.         SparkConf conf = new SparkConf()
  3.                 .setAppName("BroadcastVariable") 
  4.                 .setMaster("local"); 
  5.         JavaSparkContext sc = new JavaSparkContext(conf);
  7.         // 在java中，创建共享变量，就是调用SparkContext的broadcast()方法
  8.         // 获取的返回结果是Broadcast<T>类型
  9.         final int factor = 3;
  10.         final Broadcast<Integer> factorBroadcast = sc.broadcast(factor);
  12.         List<Integer> numberList = Arrays.asList(1, 2, 3, 4, 5);
  14.         JavaRDD<Integer> numbers = sc.parallelize(numberList);
  16.         // 让集合中的每个数字，都乘以外部定义的那个factor
  17.         JavaRDD<Integer> multipleNumbers = numbers.map(new Function<Integer, Integer>() {
  19.             private static final long serialVersionUID = 1L;
  21.             @Override
  22.             public Integer call(Integer v1) throws Exception {
  23.                 // 使用共享变量时，调用其value()方法，即可获取其内部封装的值
  24.                 int factor = factorBroadcast.value();
  25.                 return v1 * factor;
  26.             }
  28.         });
  30.         multipleNumbers.foreach(new VoidFunction<Integer>() {
  32.             private static final long serialVersionUID = 1L;
  34.             @Override
  35.             public void call(Integer t) throws Exception {
  36.                 System.out.println(t);  
  37.             }
  39.         });
  41.         sc.close();
  42.     }

scala 版本

  1. object BroadcastVariable {
  3.   def main(args: Array[String]) {
  4.     val conf = new SparkConf()
  5.         .setAppName("BroadcastVariable")  
  6.         .setMaster("local")  
  7.     val sc = new SparkContext(conf)
  9.     val factor = 3;
  10.     val factorBroadcast = sc.broadcast(factor)  
  12.     val numberArray = Array(1, 2, 3, 4, 5) 
  13.     val numbers = sc.parallelize(numberArray, 1)  
  14.     val multipleNumbers = numbers.map { num => num * factorBroadcast.value }  
  16.     multipleNumbers.foreach { num => println(num) }  
  17.   }

Accumulator

  1. 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。但是确给我们提供了多个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。
  3. val sumAccumulator = sc.accumulator(0)
  5. val arr = Array(1, 2, 3, 4, 5)
  6. val rdd = sc.parallelize(arr)
  7. rdd.foreach(num => sumAccumulator += num)
  9. println(sumAccumulator.value)

java 版

  1.     public static void main(String[] args) {
  2.         SparkConf conf = new SparkConf()
  3.                 .setAppName("Accumulator") 
  4.                 .setMaster("local");
  5.         JavaSparkContext sc = new JavaSparkContext(conf);
  7.         // 创建Accumulator变量
  8.         // 需要调用SparkContext的accumulator()方法
  9.         final Accumulator<Integer> sum = sc.accumulator(0);
  11.         List<Integer> numberList = Arrays.asList(1, 2, 3, 4, 5);
  12.         JavaRDD<Integer> numbers = sc.parallelize(numberList);
  14.         numbers.foreach(new VoidFunction<Integer>() {
  16.             private static final long serialVersionUID = 1L;
  18.             @Override
  19.             public void call(Integer t) throws Exception {
  20.                 // 然后在函数内部，就可以对Accumulator变量，调用add()方法，累加值
  21.                 sum.add(t);  
  22.             }
  24.         });
  26.         // 在driver程序中，可以调用Accumulator的value()方法，获取其值
  27.         System.out.println(sum.value());  
  29.         sc.close();
  30.     }

scala版

  1.   def main(args: Array[String]) {
  2.     val conf = new SparkConf()
  3.         .setAppName("AccumulatorVariable")  
  4.         .setMaster("local")  
  5.     val sc = new SparkContext(conf)
  7.     val sum = sc.accumulator(0)  
  9.     val numberArray = Array(1, 2, 3, 4, 5) 
  10.     val numbers = sc.parallelize(numberArray, 1)  
  11.     numbers.foreach { num => sum += num }  
  13.     println(sum) 
  14.   }