PySpark tutorial 学习笔记3——Broadcast&Accumulator

4 PySpark——Broadcast&Accumulator

对于并行处理，Apache Spark使用共享变量。当驱动程序将任务发送到集群上的执行程序时，共享变量的副本将在集群的每个节点上运行，以便可以将其用于执行任务。

Apache Spark支持两种类型的共享变量 - Broadcast 和 Accumulator

Broadcast

广播变量用于跨所有节点保存数据副本。此变量缓存在所有计算机上，而不是在具有任务的计算机上发送。以下代码块包含PySpark的Broadcast类的详细信息。

class pyspark.Broadcast (
   sc = None, 
   value = None, 
   pickle_registry = None, 
   path = None
)

以下示例显示如何使用Broadcast变量。 Broadcast变量有一个名为value的属性，它存储数据并用于返回广播值。

----------------------------------------broadcast.py--------------------------------------
from pyspark import SparkContext 
sc = SparkContext("local", "Broadcast app") 
words_new = sc.broadcast(["scala", "java", "hadoop", "spark", "akka"]) 
data = words_new.value 
print("Stored data -> %s" % (data))
elem = words_new.value[2] 
print("Printing a particular element in RDD -> %s" % (elem))
----------------------------------------broadcast.py--------------------------------------
Command − The command for a broadcast variable is as follows −

$SPARK_HOME/bin/spark-submit broadcast.py
Output − The output for the following command is given below.

Stored data -> [
   'scala',  
   'java', 
   'hadoop', 
   'spark', 
   'akka'
]
Printing a particular element in RDD -> hadoop

Accumulator

累加器变量用于通过关联和交换操作聚合信息。例如可以使用累加器进行求和操作或计数器（在MapReduce中）。以下代码块包含PySpark的Accumulator类的详细信息。

class pyspark.Accumulator(aid, value, accum_param)

以下示例显示如何使用Accumulator变量。 Accumulator变量有一个名为value的属性，类似于广播变量。它存储数据并用于返回累加器的值，但仅在驱动程序中可用。在此示例中，累加器变量由多个工作程序使用并返回累计值。

----------------------------------------accumulator.py------------------------------------
from pyspark import SparkContext 
sc = SparkContext("local", "Accumulator app") 
num = sc.accumulator(10) 
def f(x): 
   global num 
   num+=x 
rdd = sc.parallelize([20,30,40,50]) 
rdd.foreach(f) 
final = num.value 
print("Accumulated value is -> %i" % (final))
----------------------------------------accumulator.py------------------------------------
Command − The command for an accumulator variable is as follows −

$SPARK_HOME/bin/spark-submit accumulator.py
Output − The output for the above command is given below.

Accumulated value is -> 150

累加器变量在模型评价指标中的应用：http://www.cnblogs.com/vincent-vg/p/6711077.html

PySpark tutorial 学习笔记3——Broadcast&Accumulator

4 PySpark——Broadcast&Accumulator

Broadcast

Accumulator

猜你喜欢