Spark 累加器
Posted lxl616
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Spark 累加器相关的知识,希望对你有一定的参考价值。
第 5 章 RDD 编程进阶
5.1 累加器
累加器用来对信息进行聚合,通常在向 Spark 传递函数时,比如使用 map() 函数或者
用 filter() 传条件时,可以使用驱动器程序中定义的变量,但是集群中运行的每个任务都会
得到这些变量的一份新的副本,更新这些副本的值也不会影响驱动器中的对应变量。如果我
们想实现所有分片处理时更新共享变量的功能,那么累加器可以实现我们想要的效果。
5.1.1 系统累加器
针对一个输入的日志文件,如果我们想计算文件中所有空行的数量,我们可以编写以
下程序:
scala> val notice = sc.textFile("./NOTICE") notice: org.apache.spark.rdd.RDD[String] = ./NOTICE MapPartitionsRDD[40] at textFile at <console>:32 scala> val blanklines = sc.accumulator(0) warning: there were two deprecation warnings; re-run with -deprecation for details blanklines: org.apache.spark.Accumulator[Int] = 0 scala> val tmp = notice.flatMap(line => | if (line == "") | blanklines += 1 | | line.split(" ") | ) tmp: org.apache.spark.rdd.RDD[String] = MapPartitionsRDD[41] at flatMap at <console>:36 scala> tmp.count() res31: Long = 3213 scala> blanklines.value res32: Int = 171
累加器的用法如下所示。
通过在驱动器中调用 SparkContext.accumulator(initialValue)方法,创建出存有初始值的
累加器。返回值为 org.apache.spark.Accumulator[T] 对象,其中 T 是初始值 initialValue 的
类型。Spark 闭包里的执行器代码可以使用累加器的 += 方法(在 Java 中是 add)增加累加器
的值。 驱动器程序可以调用累加器的 value 属性(在 Java 中使用 value()或 setValue())来访问
累加器的值。
注意:工作节点上的任务不能访问累加器的值。从这些任务的角度来看,累加器是一个只写
变量。
对于要在行动操作中使用的累加器,Spark 只会把每个任务对各累加器的修改应用一次。
因此,如果想要一个无论在失败还是重复计算时都绝对可靠的累加器,我们必须把它放在
foreach() 这样的行动操作中。转化操作中累加器可能会发生不止一次更新
5.1.2 自定义累加器
自定义累加器类型的功能在 1.X 版本中就已经提供了,但是使用起来比较麻烦,在 2.0
版本后,累加器的易用性有了较大的改进,而且官方还提供了一个新的抽象类:
AccumulatorV2 来提供更加友好的自定义类型累加器的实现方式。实现自定义类型累加器需
要继承 AccumulatorV2 并至少覆写下例中出现的方法,下面这个累加器可以用于在程序运行
过程中收集一些文本类信息,最终以 Set[String]的形式返回。
package com.lxl.spark
import org.apache.spark.util.AccumulatorV2 import org.apache.spark.SparkConf, SparkContext import scala.collection.JavaConversions._
class LogAccumulator extends org.apache.spark.util.AccumulatorV2[String, java.util.Set[String]] private val _logArray: java.util.Set[String] = new java.util.HashSet[String]() override def isZero: Boolean = _logArray.isEmpty override def reset(): Unit = _logArray.clear() override def add(v: String): Unit = _logArray.add(v) override def merge(other: org.apache.spark.util.AccumulatorV2[String, java.util.Set[String]]): Unit = other match case o: LogAccumulator => _logArray.addAll(o.value) override def value: java.util.Set[String] = java.util.Collections.unmodifiableSet(_logArray) override def copy():org.apache.spark.util.AccumulatorV2[String, java.util.Set[String]] = val newAcc = new LogAccumulator() _logArray.synchronized newAcc._logArray.addAll(_logArray) newAcc // 过滤掉带字母的 object LogAccumulator def main(args: Array[String]) val conf=new SparkConf().setAppName("LogAccumulator") val sc=new SparkContext(conf) val accum = new LogAccumulator sc.register(accum, "logAccum") val sum = sc.parallelize(Array("1", "2a", "3", "4b", "5", "6", "7cd", "8", "9"), 2).filter(line => val pattern = """^-?(\d+)""" val flag = line.matches(pattern) if (!flag) accum.add(line) flag ).map(_.toInt).reduce(_ + _) println("sum: " + sum) for (v <- accum.value) print(v + "") println() sc.stop()
5.2 广播变量(调优策略)
广播变量用来高效分发较大的对象。向所有工作节点发送一个较大的只读值,以供一
个或多个 Spark 操作使用。比如,如果你的应用需要向所有节点发送一个较大的只读查询
表,甚至是机器学习算法中的一个很大的特征向量,广播变量用起来都很顺手。 在多个并
行操作中使用同一个变量,但是 Spark 会为每个任务分别发送。
scala> val broadcastVar = sc.broadcast(Array(1, 2, 3)) broadcastVar: org.apache.spark.broadcast.Broadcast[Array[Int]] = Broadcast(35) scala> broadcastVar.value res33: Array[Int] = Array(1, 2, 3)
使用广播变量的过程如下:
(1) 通过对一个类型 T 的对象调用 SparkContext.broadcast 创建出一个 Broadcast[T]对
象。任何可序列化的类型都可以这么实现。
(2) 通过 value 属性访问该对象的值(在 Java 中为 value()方法)。
(3) 变量只会被发到各个节点一次,应作为只读值处理(修改这个值不会影响到别的节
点)。
以上是关于Spark 累加器的主要内容,如果未能解决你的问题,请参考以下文章