Spark 共享变量

默认情况下，如果在一个算子的函数中使用到了某个外部的变量，那么这个变量的值会被拷贝到每个task中。此时每个task只能操作自己的那份变量副本。如果多个task想要共享某个变量，那么这种方式是做不到的。

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。

Broadccast 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。

val fruitMap = Map(1 -> "apple", 2 -> "orange", 3 -> "banana")
val fruitRDD = sc.parallelize(Array(1, 2, 3).map(fruitMap(_)))

假如说，以上代码在运行时，被分成了多个task来并行处理，那么，变量fruitMap就会被拷贝到每一个执行map算子的task上，如果说fruitMap中的数据很大，可以想象，在拷贝过程中会消耗大量的内存，与IO。

如果使用广播变量，就能解决这个问题：

val fruitMap = sc.broadcast(Map(1 -> "apple", 2 -> "orange", 3 -> "banana"))
val fruitRDD = sc.parallelize(Array(1, 2, 3).map(fruitMap.value(_)))

当我们使用了广播变量之后，那么，在并行处理的过程中，fruitMap广播变量就会被拷贝到每一个执行task任务的Worker节点的内存中，这样，不管Worker节点中有多少个task在执行，它们都会共享fruitMap变量。这样就能很好的节省网络消耗以及内存消耗。
其实，广播变量的作用类似与MapReduce的分布式缓存，不同之处在于，Spark将数据保存到内存，只有在内存耗尽时才会写到磁盘。

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。

使用累加器，求一个数值RDD的平均值

val count = sc.accumulator(0)
val sum = sc.accumulator(0.0)
val RDD = sc.parallelize(Array(1, 2, 3)).foreach(x => {count += 1; sum += x})
val avg = sum.value / count.value