【Spark】广播变量和累加器

一、Spark广播变量

多进程编程中，不同进程可以通过创建共享内存，进行进程间通信。而在分布式中，Spark通过【广播变量】和【累加器】进行共享变量。

【栗子】广播变量

import findspark
findspark.init()
##############################################
from pyspark.sql import SparkSession
spark = SparkSession.builder \
        .master("local[1]") \
        .appName("RDD Demo") \
        .getOrCreate();
sc = spark.sparkContext
#############################################
conf = {
    
    "ip":"192.168.1.1","key":"cumt"}
#广播变量
brVar =  sc.broadcast(conf)
#获取广播变量值
a = brVar.value

#{'ip': '192.168.1.1', 'key': 'cumt'}
print(a)

#cumt
print(a["key"])

#更新广播变量
brVar.unpersist()
conf["key"] = "jackwang"

#再次广播
brVar =  sc.broadcast(conf)

#获取广播新变量值
a = brVar.value

#{'ip': '192.168.1.1', 'key': 'jackwang'}
print(a)

#destroy()可将广播变量的数据和元数据一同销毁，销毁后不能使用

brVar.destroy()
##############################################
sc.stop()

分析：
（1）上面通过SparkContext.broadcast(conf)将普通变量conf创建成广播变量（一个包装变量，这时候该广播变量就能在集群中的其他节点进行共享数值了），我们可通过value方法（即brVar.value），在各个节点访问其值，即引用广播变量的数值。

（2）如果需要改变广播变量brVar的值，需要先使用brVar.unpersist()，然后修改数值后再次广播，就能够被集群的其他节点获取数值。

二、累加器

累加器只能利用关联操作做【加】操作。累加器能在调试时对作业的执行过程的相关事件进行计数。

这里也贴一个累加器的栗子：

import findspark
findspark.init()
##############################################
from pyspark.sql import SparkSession
spark = SparkSession.builder \
        .master("local[1]") \
        .appName("RDD Demo") \
        .getOrCreate();
sc = spark.sparkContext

#############################################
rdd = sc.range(1,101)

#创建累加器，初始值0
acc = sc.accumulator(0)
def fcounter(x):
        global acc
        if x % 2 == 0 :
                acc += 1
                #unsupported operand type(s) for -=
                #acc -= 1
rdd_counter =  rdd.map(fcounter)
#获取累加器值
#0
print(acc.value)

#保证多次正确获取累加器值
rdd_counter.persist()

#100
print(rdd_counter.count())

#50
print(acc.value)

#100
print(rdd_counter.count())
#50
print(acc.value)
##############################################
sc.stop()

分析：
（1）上面首先创建了一个元素个数为100的RDD对象，后面在该RDD对象上执行一个map操作，map的函数体是用global acc引入一个全局累加器acc（即一开始创建的sc.accumulator(0)的acc对象，而不是局部变量）。

（2）注意：要保证多次正确获得累加器值，需要先执行rdd_counter.;persist()。如最后一组rdd_counter.count()执行时，触发fcounter函数，累加器会再次执行，变为50+50=100，但是一开始的rdd_counter.persisit()切断了action的链条，导致只执行一次，所以acc.value还是50。

（3）使用累加器时，为了保证准确性，只能使用一次动作操作；如果需要使用多次动作操作，则在RDD对象上执行cache或者persisit操作来切断依赖。

Reference

[1] Pyspark大数据实战
[2] Spark中的共享变量（广播变量和累加器）
[3] 网络广播的实现原理
[4] spark广播变量的原理
[5] spark广播变量