Spark 共享变量

2023年7月6日 221次阅读 来源: wangdy12

通常，当把一个函数传递给Spark的操作时（例如map或reduce操作），函数可以使用在驱动程序中定义的变量，但是函数在不同的节点上执行，每个节点都需要对函数（闭包）内的每个变量进行拷贝发送，而在远程机器上变量的更新不会传播回到驱动程序。

为此，Spark提供了特殊类型的共享变量：广播变量(broadcast variables)，在每个节点上的内存上都缓存一个值，累加器(accumulators)，工作节点只能add，可以用于计数和求和等

Broadcast Variables

广播变量让程序更高效的发送大型的只读数据集，缓存到每个机器上，方便进行多次使用，不需要在每个task中都包含一份复制

Spark actions 是分阶段执行的，之间以shuffle操作划分。 Spark会自动广播同一阶段的任务所需的公共数据，对应的数据以序列化形式缓存，在运行任务之前反序列化。因此显式创建广播变量仅在跨多个阶段Stage的任务需要相同数据才需要，例如可以用来广播比较大的查找表，或者机器学习算法的特征向量

scala> val broadcastVar = sc.broadcast(Array(1, 2, 3))
broadcastVar: org.apache.spark.broadcast.Broadcast[Array[Int]] = Broadcast(0)

scala> broadcastVar.value
res0: Array[Int] = Array(1, 2, 3)

广播机制底层使用Orchestra，类似BitTorrent传输

具体实现类为TorrentBroadcast，driver端将串行化的数据切分成多个块，由driver端的BlockManager负责存储，在每个executor上，优先从本地BlockManager上读取，其次从driver端或者其他executor上远程获取数据。它会将获取到的数据放置在自己的BlockManager内，方便其他executor获取数据，避免了driver端同时发送多个广播变量的拷贝

Accumulators

用来聚合工作节点上的数值到驱动程序，用来计数求和等
Spark本身支持数字类型的累加器，例如DoubleAccumulator，LongAccumulator，CollectionAccumulator等
AccumulatorV2是累加器的基类，可以通过继承添加对自定义类型的支持，子类需要实现其中的抽象方法，例如add，merge，使用自定义的累加器时要记得进行注册，因为内置的累加器在SparkContext创建时默认进行了注册

doubleAccumulator: DoubleAccumulator//创建一个没有名称的double类型累加器
longAccumulator(name: String): LongAccumulator//创建一个带名称的long类型累加器

class VectorAccumulatorV2 extends AccumulatorV2[MyVector, MyVector] {

  private val myVector: MyVector = MyVector.createZeroVector

  def reset(): Unit = {
    myVector.reset()
  }

  def add(v: MyVector): Unit = {
    myVector.add(v)
  }
  ...
}

// Then, create an Accumulator of this type:
val myVectorAcc = new VectorAccumulatorV2
// Then, register it into spark context:
sc.register(myVectorAcc, "MyVectorAcc1")
  • 工作节点不能访问累加器的值value， 只能进行写操作add
  • 因为容错机制，部分节点可能需要重新计算，Spark确保action操作中的累加器，只会被更新一次，例如foreach，在转换操作中，一个任务可能因为重复执行多次更新累加器
  • driver端应该在action操作后再访问累加器的值，因为transformation操作是惰性求值，不会主动执行
    原文作者：wangdy12
    原文地址: https://www.jianshu.com/p/a88ed0ab58a6
    本文转自网络文章，转载此文章仅为分享知识，如有侵权，请联系博主进行删除。
点赞