Spark累加器及广播变量的探讨

场景：

val a = 10
val rdd = sc.parallelize(List(1,2,3,4,5,6))
rdd.mapPartition(x => {

//TODO需要用到Driver端的变量 a

})

1、定义一个变量a(driver端)
2、计算时(executor端)需要用到变量a
3、假设rdd有1万个Partition，那么没有广播变量的情况下，a会被发送到每个分区，这将耗费极大的资源。而且executor端变更了a的值，driver端也不会变，因为driver和executor数据不能共享。

基于以上场景Spark就催生了广播变量以及累加器 。

一、广播变量

a是在driver端创建的，但是因为需要在excutor端使用，所以driver会把a以task的形式发送到excutor端，如果有很多个task，就会有很多给excutor端携带很多个a，如果这个a换成一个数据集非常大的数据时，就可能会造成内存溢出（如下图所示）。这个时候就引出了广播变量。

image.png

使用广播变量后，广播变量允许程序员在每台机器上缓存一个只读变量，而不是将其副本与任务一起发送。

image.png

从代码层面看使用广播变量和不使用广播变量的区别
不使用广播变量

package com.soul.bigdata.spark.core4

import org.apache.spark.{SparkConf, SparkContext}

object BroadCastApp {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf()
      .setAppName("AccumulatorApp").setMaster("local[2]")

    val sc = new SparkContext(conf)

    commonJoin(sc)

    Thread.sleep(30000 * 10)

    sc.stop()
  }

  def commonJoin(sc: SparkContext): Unit = {
    val info1 = sc.parallelize(Array(("601", "张三"), ("602", "李四")))
    val info2 = sc.parallelize(Array(("601", "哈弗", "25"), ("603", "浙大", "22"), ("603", "深大", "26")))
      .map(x => (x._1, (x._2, x._3)))
    //TODO 需得到 601,张三,哈弗
    info1.join(info2).map(x => {
      //(601,(张三,(哈弗,25)))
      x._1 + "," + x._2._1 + "," + x._2._2._1
    }).foreach(println)
  }

}

image.png

使用广播变量后

package com.soul.bigdata.spark.core4

import org.apache.spark.{SparkConf, SparkContext}

object BroadCastApp {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf()
      .setAppName("AccumulatorApp").setMaster("local[2]")

    val sc = new SparkContext(conf)

    broadcastJoin(sc)


    Thread.sleep(30000 * 10)

    sc.stop()
  }

  def broadcastJoin(sc: SparkContext): Unit = {
    //小数据 -> 广播
    val info1 = sc.parallelize(Array(("601", "张三"), ("602", "李四"))).collectAsMap() //转成Map 可以通过get得到key

    //Driver数据才需广播
    val broadcastinfo1 = sc.broadcast(info1)

    //大数据
    val info2 = sc.parallelize(Array(("601", "哈弗", "25"), ("603", "浙大", "22"), ("603", "深大", "26")))
      .map(x => (x._1, (x._2, x._3)))

    //broadcst以后就不会用Join实现。而是大表数据读取出来一条就和广播出去的小表记录做匹配

    info2.mapPartitions(x => {
      val broadcastMap = broadcastinfo1.value

      for ((key, value) <- x if broadcastMap.contains(key))
          //TODO 需得到 601,张三,哈弗
        yield (key, broadcastMap.get(key).getOrElse(), value._1)

    }).foreach(println)
  }

}

image.png

一个存在shuffle，一个不存在shuffle。性能对比一目了然，但是广播的前提是你的数据不能太大，否则也会发生OOM。
注意事项：

• 只能广播RDD的结果数据，不能直接广播RDD
• 广播变量只能在Driver端定义，不能在Executor端定义

一、累加器

1、先看一个列子

package com.soul.bigdata.spark.core4

import org.apache.spark.{SparkConf, SparkContext}

object AccumulatorApp {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf()
      .setAppName("AccumulatorApp").setMaster("local[2]")
    val sc = new SparkContext(conf)
    val line = sc.textFile("file:///D:\\RZ-G6\\2019G6\\data\\wordcount.txt")

    var i = 0
    val result = line.map(x => {
      i = i + 1
      x
    })
    result.collect().foreach(println)
    //0  driver端数据与executor端数据不能共享导致 所以Spark就引出累加器
    println("不用累加器统计 word lines is " + i)
    sc.stop()

  }
}

运行结果为0

image.png

依然是因为driver端数据与executor端数据不能共享导致，所以Spark就引出累加器。

使用累加器之后

package com.soul.bigdata.spark.core4

import org.apache.spark.{SparkConf, SparkContext}

object AccumulatorApp {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf()
      .setAppName("AccumulatorApp").setMaster("local[2]")
    val sc = new SparkContext(conf)
    var accu = sc.longAccumulator("MyAccumulator")
    println("累加器原始值： " + accu.value)

    val line = sc.textFile("file:///D:\\RZ-G6\\2019G6\\data\\wordcount.txt")

       val result2 = line.map(x => {
         accu.add(1)//有一行数据就增加1
         x
       })

       //.foreach(println) //必须触发一个action算子 将结果返回到Driver    累加器的值只有Driver可以读取   executor端只能累加计数器得到值,但不能获取
       result2.collect()
       println("使用累加器统计 word lines is " +accu.value)


    sc.stop()

  }
}

image.png
image.png

累加器的作用：提供了将工作节点中的值聚合到驱动器程序中的简单语法

注意事项：累加器在Driver端定义赋初始值，累加器只能在Driver端读取，在Excutor端更新