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。
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 warning: there were two deprecation warnings; re-run with -deprecation for details blanklines: org.apache.spark.Accumulator[Int] = 0 | 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 res32: Int = 171 |
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。
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.lzl.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() } }