Spark为此提供了两种共享变量,一种是Broadcast Variable(广播变量),另一种是Accumulator(累加变量)。Broadcast Variable会将使用到的变量,仅仅为每个节点拷贝一份,更大的用处是优化性能,减少网络传输以及内存消耗。Accumulator则可以让多个task共同操作一份变量,主要可以进行累加操作。
Broadcast Variable
Spark提供的Broadcast Variable,是只读的。并且在每个节点上只会有一份副本,而不会为每个task都拷贝一份副本。因此其最大作用,就是减少变量到各个节点的网络传输消耗,以及在各个节点上的内存消耗。此外,spark自己内部也使用了高效的广播算法来减少网络消耗。
可以通过调用SparkContext的broadcast()
方法,来针对某个变量创建广播变量。然后在算子的函数内,使用到广播变量时,每个节点只会拷贝一份副本了。每个节点可以使用广播变量的value()
方法获取值。
广播变量,是只读的
List<Integer> numberList = Arrays.asList(1, 2, 3, 4, 5);
JavaRDD<Integer> numbers = sc.parallelize(numberList);
final int factor = 3;
//创建共享变量,就是调用SparkContext的broadcast()方法,返回结果是Broadcast<T>类型
final Broadcast<Integer> factorBroadcast = sc.broadcast(factor);
JavaRDD<Integer> multipleNumbers = numbers.map(new Function<Integer, Integer>() {
private static final long serialVersionUID = 814321134135988210L;
@Override
public Integer call(Integer v1) throws Exception {
// 使用共享变量时,调用其value()方法,即可获取其内部封装的值
return v1 * factorBroadcast.getValue();
}
});
val numberList = Array(1, 2, 3, 4, 5)
val numbers = sc.parallelize(numberList, 1)
val factorBroadcast = sc.broadcast(3)
val multipleNumbers = numbers.map(num => num * factorBroadcast.value)
Accumulator
Spark提供的Accumulator,主要用于多个节点对一个变量进行共享性的操作。Accumulator只提供了累加的功能。但是确给我们提供了多个task对一个变量并行操作的功能。但是task只能对Accumulator进行累加操作,不能读取它的值。只有Driver程序可以读取Accumulator的值。
List<Integer> numberList = Arrays.asList(1, 2, 3, 4, 5);
//创建Accumulator变量需要调用SparkContext的accumulator()方法
final Accumulator<Integer> sum = sc.accumulator(0);
JavaRDD<Integer> numbers = sc.parallelize(numberList);
numbers.foreach(new VoidFunction<Integer>() {
private static final long serialVersionUID = -389089708611947093L;
@Override
public void call(Integer t) throws Exception {
// 然后在函数内部,就可以对Accumulator变量,调用add()方法,累加值
sum.add(t);
}
});
//在driver程序中,可以调用Accumulator的value()方法,获取其值
System.out.println(sum.value());
val numberList = Array(1, 2, 3, 4, 5, 6, 7, 8, 9, 10)
val sum = sc.accumulator(0)
val numbers = sc.parallelize(numberList, 1)
numbers.foreach{num => sum += num }