PySpark - 广播变量 & 累加器

为了并行处理，Apache Spark 使用共享变量。当驱动程序向集群中的执行器发送任务时，共享变量的副本会复制到集群的每个节点上，以便用于执行任务。

Apache Spark 支持两种类型的共享变量：

• 广播变量 (Broadcast)
• 累加器 (Accumulator)

让我们详细了解它们。

广播变量 (Broadcast)

广播变量用于在所有节点上保存数据的副本。此变量缓存在所有机器上，不会发送到具有任务的机器上。以下代码块包含 PySpark 广播类的详细信息。

class pyspark.Broadcast (
   sc = None, 
   value = None, 
   pickle_registry = None, 
   path = None
)

以下示例显示如何使用广播变量。广播变量具有一个名为 value 的属性，该属性存储数据并用于返回广播值。

----------------------------------------broadcast.py--------------------------------------
from pyspark import SparkContext 
sc = SparkContext("local", "Broadcast app") 
words_new = sc.broadcast(["scala", "java", "hadoop", "spark", "akka"]) 
data = words_new.value 
print "Stored data -> %s" % (data) 
elem = words_new.value[2] 
print "Printing a particular element in RDD -> %s" % (elem)
----------------------------------------broadcast.py--------------------------------------

命令 - 广播变量的命令如下：

$SPARK_HOME/bin/spark-submit broadcast.py

输出 - 以下命令的输出如下所示。

Stored data -> [
   'scala',  
   'java', 
   'hadoop', 
   'spark', 
   'akka'
]
Printing a particular element in RDD -> hadoop

累加器 (Accumulator)

累加器变量用于通过关联和交换运算聚合信息。例如，您可以将累加器用于求和运算或计数器（在 MapReduce 中）。以下代码块包含 PySpark 累加器类的详细信息。

class pyspark.Accumulator(aid, value, accum_param)

以下示例显示如何使用累加器变量。累加器变量具有一个名为 value 的属性，类似于广播变量。它存储数据并用于返回累加器的值，但仅可在驱动程序程序中使用。

在此示例中，累加器变量由多个工作器使用并返回累积值。

----------------------------------------accumulator.py------------------------------------
from pyspark import SparkContext 
sc = SparkContext("local", "Accumulator app") 
num = sc.accumulator(10) 
def f(x): 
   global num 
   num+=x 
rdd = sc.parallelize([20,30,40,50]) 
rdd.foreach(f) 
final = num.value 
print "Accumulated value is -> %i" % (final)
----------------------------------------accumulator.py------------------------------------

命令 - 累加器变量的命令如下：

$SPARK_HOME/bin/spark-submit accumulator.py

输出 - 以上命令的输出如下所示。

Accumulated value is -> 150