Spark 累加器

Posted 2022-03-24 lxl616

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)。