broadcast

官方文档描述：

Broadcast a read-only variable to the cluster, returning a
[[org.apache.spark.broadcast.Broadcast]] object for reading it in distributed functions.
The variable will be sent to each cluster only once.

函数原型：

def broadcast[T](value: T): Broadcast[T]

广播变量允许程序员将一个只读的变量缓存在每台机器上，而不用在任务之间传递变量。广播变量可被用于有效地给每个节点一个大输入数据集的副本。Spark还尝试使用高效地广播算法来分发变量，进而减少通信的开销。 Spark的动作通过一系列的步骤执行，这些步骤由分布式的洗牌操作分开。Spark自动地广播每个步骤每个任务需要的通用数据。这些广播数据被序列化地缓存，在运行任务之前被反序列化出来。这意味着当我们需要在多个阶段的任务之间使用相同的数据，或者以反序列化形式缓存数据是十分重要的时候，显式地创建广播变量才有用。

源码分析：

def broadcast[T: ClassTag](value: T): Broadcast[T] = {  assertNotStopped()  if (classOf[RDD[_]].isAssignableFrom(classTag[T].runtimeClass)) {    // This is a warning instead of an exception in order to avoid breaking user programs that    // might have created RDD broadcast variables but not used them:    logWarning("Can not directly broadcast RDDs; instead, call collect() and "      + "broadcast the result (see SPARK-5063)")  }  val bc = env.broadcastManager.newBroadcast[T](value, isLocal)  val callSite = getCallSite  logInfo("Created broadcast " + bc.id + " from " + callSite.shortForm)  cleaner.foreach(_.registerBroadcastForCleanup(bc))  bc
}

实例：

List<Integer> data = Arrays.asList(5, 1, 1, 4, 4, 2, 2);
JavaRDD<Integer> javaRDD = javaSparkContext.parallelize(data,5);
final Broadcast<List<Integer>> broadcast = javaSparkContext.broadcast(data);
JavaRDD<Integer> result = javaRDD.map(new Function<Integer, Integer>() {    List<Integer> iList = broadcast.value();    @Override    public Integer call(Integer v1) throws Exception {        Integer isum = 0;        for(Integer i : iList)            isum += i;        return v1 + isum;    }
});
System.out.println(result.collect());

accumulator

官方文档描述：

Create an [[org.apache.spark.Accumulator]] variable of a given type, which tasks can “add”
values to using the add method. Only the master can access the accumulator’s value.

函数原型：

def accumulator[T](initialValue: T, accumulatorParam: AccumulatorParam[T]): Accumulator[T]
def accumulator[T](initialValue: T, name: String, accumulatorParam: AccumulatorParam[T])   : Accumulator[T]

累加器是仅仅被相关操作累加的变量，因此可以在并行中被有效地支持。它可以被用来实现计数器和sum。Spark原生地只支持数字类型的累加器，开发者可以添加新类型的支持。如果创建累加器时指定了名字，可以在Spark的UI界面看到。这有利于理解每个执行阶段的进程（对于Python还不支持）。
累加器通过对一个初始化了的变量v调用SparkContext.accumulator(v)来创建。在集群上运行的任务可以通过add或者”+=”方法在累加器上进行累加操作。但是，它们不能读取它的值。只有驱动程序能够读取它的值，通过累加器的value方法。

源码分析：

def accumulator[T](initialValue: T, name: String)(implicit param: AccumulatorParam[T])  : Accumulator[T] = {  val acc = new Accumulator(initialValue, param, Some(name))  cleaner.foreach(_.registerAccumulatorForCleanup(acc))  acc
}

实例：

class VectorAccumulatorParam implements AccumulatorParam<Vector> {    @Override    //合并两个累加器的值。//参数r1是一个累加数据集合//参数r2是另一个累加数据集合public Vector addInPlace(Vector r1, Vector r2) {r1.addAll(r2);return r1;    }    @Override //初始值   public Vector zero(Vector initialValue) {        return initialValue;    }    @Override//添加额外的数据到累加值中//参数t1是当前累加器的值//参数t2是被添加到累加器的值    public Vector addAccumulator(Vector t1, Vector t2) {        t1.addAll(t2);        return t1;    }
}
List<Integer> data = Arrays.asList(5, 1, 1, 4, 4, 2, 2);
JavaRDD<Integer> javaRDD = javaSparkContext.parallelize(data,5);final Accumulator<Integer> accumulator = javaSparkContext.accumulator(0);
Vector initialValue = new Vector();
for(int i=6;i<9;i++)    initialValue.add(i);
//自定义累加器
final Accumulator accumulator1 = javaSparkContext.accumulator(initialValue,new VectorAccumulatorParam());
JavaRDD<Integer> result = javaRDD.map(new Function<Integer, Integer>() {    @Override    public Integer call(Integer v1) throws Exception {        accumulator.add(1);        Vector term = new Vector();        term.add(v1);        accumulator1.add(term);        return v1;    }
});
System.out.println(result.collect());
System.out.println("~~~~~~~~~~~~~~~~~~~~~" + accumulator.value());
System.out.println("~~~~~~~~~~~~~~~~~~~~~" + accumulator1.value());

Spark Java API：broadcast、accumulator相关推荐

Spark Java API：foreach、foreachPartition、lookup
foreach 官方文档描述: Applies a function f to all elements of this RDD. 函数原型: def foreach(f: VoidFunction[ ...
Spark Java API：Transformation
mapPartitions 官方文档描述: Return a new RDD by applying a function to each partition of this RDD. mapPart ...
Spark Java API：Action
reduce 官方文档描述: Reduces the elements of this RDD using the specified commutative and associative bina ...
第103课：动手实战联合使用Spark Streaming、Broadcast、Accumulator实现在线黑名单过滤和计数
第103课:动手实战联合使用Spark Streaming.Broadcast.Accumulator实现在线黑名单过滤和计数 /* 王家林老师授课http://weibo.com/ilovepain ...
大白话说Java反射：入门、使用、原理，BAT 面试官如何面试
写在最前面,我总结出了很多互联网公司的面试题及答案,并整理成了文档,以及各种学习的进阶学习资料,免费分享给大家.扫码加微信好友进[程序员面试学习交流群],免费领取.也欢迎各位一起在群里探讨技术. 文章 ...
java spark 环境_在 IntelliJ IDEA 中配置 Spark(Java API) 运行环境
1. 新建Maven项目初始Maven项目完成后,初始的配置(pom.xml)如下: 2. 配置Maven 向项目里新建Spark Core库 xmlns:xsi="http://www. ...
java日志：三、JCL使用
java日志:三.JCL使用 1 介绍全称为Jakarta Commons Logging,是Apache提供的一个通用日志API.它是为"所有的Java日志实现",提供一个统一 ...
大白话说Java泛型：入门、使用、原理
文章首发于[博客园-陈树义],点击跳转到原文<大白话说Java泛型:入门.使用.原理> 远在 JDK 1.4 版本的时候,那时候是没有泛型的概念的.当时 Java 程序员们写集合类的代码都 ...
【腾讯面试题】Java集合：List、Set以及Map
Java集合:List.Set以及Map 概述 Collection接口 List:有序,可重复 ArraysList Vector LinkedList Set:无序,唯一 HashSet Link ...

Spark Java API：broadcast、accumulator

broadcast

官方文档描述：

函数原型：

源码分析：

实例：

accumulator

官方文档描述：

函数原型：

源码分析：

实例：

Spark Java API：broadcast、accumulator相关推荐

最新文章

热门文章