Spark學習之路 (四)Spark的廣播變量和累加器

1、概述

在spark程序中,當一個傳遞給Spark操做(例如map和reduce)的函數在遠程節點上面運行時,Spark操做實際上操做的是這個函數所用變量的一個獨立副本。這些變量會被複制到每臺機器上,而且這些變量在遠程機器上的全部更新都不會傳遞迴驅動程序。一般跨任務的讀寫變量是低效的,可是,Spark仍是爲兩種常見的使用模式提供了兩種有限的共享變量:廣播變(broadcast variable)和累加器(accumulator)服務器

2、廣播變量broadcast variable

2.1 爲何要將變量定義成廣播變量?

若是咱們要在分佈式計算裏面分發大對象,例如:字典,集合,黑白名單等,這個都會由Driver端進行分發,通常來說,若是這個變量不是廣播變量,那麼每一個task就會分發一份,這在task數目十分多的狀況下Driver的帶寬會成爲系統的瓶頸,並且會大量消耗task服務器上的資源,若是將這個變量聲明爲廣播變量,那麼知識每一個executor擁有一份,這個executor啓動的task會共享這個變量,節省了通訊的成本和服務器的資源。分佈式

2.2 廣播變量圖解

錯誤的,不使用廣播變量函數

正確的,使用廣播變量的狀況spa

2.3 如何定義一個廣播變量?

val a = 3
val broadcast = sc.broadcast(a)

2.4 如何還原一個廣播變量?

val c = broadcast.value

2.5 定義廣播變量須要的注意點?

變量一旦被定義爲一個廣播變量,那麼這個變量只能讀,不能修改調試

2.6 注意事項

一、能不能將一個RDD使用廣播變量廣播出去?code

       不能,由於RDD是不存儲數據的。能夠將RDD的結果廣播出去。對象

二、 廣播變量只能在Driver端定義,不能在Executor端定義。blog

三、 在Driver端能夠修改廣播變量的值,在Executor端沒法修改廣播變量的值。資源

四、若是executor端用到了Driver的變量,若是不使用廣播變量在Executor有多少task就有多少Driver端的變量副本。spark

五、若是Executor端用到了Driver的變量,若是使用廣播變量在每一個Executor中只有一份Driver端的變量副本。

3、累加器 

3.1 爲何要將一個變量定義爲一個累加器?

在spark應用程序中,咱們常常會有這樣的需求,如異常監控,調試,記錄符合某特性的數據的數目,這種需求都須要用到計數器,若是一個變量不被聲明爲一個累加器,那麼它將在被改變時不會再driver端進行全局彙總,即在分佈式運行時每一個task運行的只是原始變量的一個副本,並不能改變原始變量的值,可是當這個變量被聲明爲累加器後,該變量就會有分佈式計數的功能。

3.2 圖解累加器

錯誤的圖解

正確的圖解

3.3 如何定義一個累加器?

val a = sc.accumulator(0)

 

3.4 如何還原一個累加器?

val b = a.value

 

3.5 注意事項

一、 累加器在Driver端定義賦初始值,累加器只能在Driver端讀取最後的值,在Excutor端更新。

二、累加器不是一個調優的操做,由於若是不這樣作,結果是錯的

相關文章
相關標籤/搜索