[大数据]Spark2.4.8 共享变量之累加器

一、共享变量

通常，当传递给Spark操作(例如map或reduce)的函数在远程集群节点上执行时，它会在函数中使用的所有变量的单独副本上工作。这些变量被复制到每台机器上，远程机器上变量的更新不会传播回驱动程序。支持跨任务的通用、读写共享变量将是低效的。但是，Spark为两种常见的使用模式提供了两种有限的共享变量类型:广播变量和累加器。

spark通过广播变量和累加器实现共享变量。

二、累加器

累加器是只能通过关联和交换操作添加的变量，因此可以有效地并行支持。它们可以用于实现计数器(如MapReduce)或求和。Spark本地支持数字类型的累加器，程序员可以添加对新类型的支持。作为用户，您可以创建命名或未命名的累加器。如下图所示，一个命名的累加器(在这个实例计数器中)将显示在修改累加器的stage的web UI中。Spark在Tasks表中显示任务修改的每个累加器的值。

三、基础演示

• 需求描述：利用累加器统计出worker上所有task运行次数
• 演示环境：三台虚拟机组成的集群
• 运行环境：spark-shell
• 步骤：
  • 启动spark-shell：
    bin/spark-shell --master spark://niit01:7077
  • 编写如下代码：

    scala> val ac1 = sc.longAccumulator("ac1")
    ac1: org.apache.spark.util.LongAccumulator = LongAccumulator(id: 0, name: Some(ac1), value: 0)
    scala> sc.parallelize(1 to 20).map(x => {ac1.add(1);x+1}).reduce(_+_) // 在map中统计出当前的map task 运行的次数
    res0: Int = 230  // reduce的结果
    
    scala> ac1.value // 获取累加器的值
    res1: Long = 20 // 累加器进行了20次
    

四、实验案例

1. 实验要求：利用累加器完成对特定条件下的task任务运行次数统计，如统计出某数列中的奇数项被计算的次数
2. 代码如下：

   	
   scala> val ac1 = sc.longAccumulator("ac1") // 创建累加器
   scala> ac1.value  // 获取累加器初始值
   res0: Long = 0
   
   scala> sc.parallelize(1 to 20).map(x => { // 统计奇数被执行的次数
        | if (x % 2 != 0)
        |   {ac1.add(1) }
        | x}).reduce(_+_)
        
   scala> ac1.value // 获取累加器的数值，只被累加了10次
   res2: Long = 10
   

3. 在webui上查看，如下：
   

五、简要分析

• 上述的实验案例在webui上查看发现两台worker节点上每台节点上各自执行了5次。故，对于任意一个job而言，其所有的task的总数是集群中所有task之和。另外，对于累加器而言，每个task都可以共享累加器，底层利用分布式锁来确保每个task在使用累加器前其值都是最新的，每个task在原来的数值上进行累计。下面我们来查看下每个task运行时累加器的数值变化：
  把上面的代码改写成如下：

  scala> val ac2 = sc.longAccumulator("ac2") // 创建累加器
  scala> sc.parallelize(1 to 20).map(x => {
       | if( x % 2 != 0)
       | {
       |
       |
       |   var hostname = java.net.InetAddress.getLocalHost.getHostName;
       |   val ac2Val = ac2.value
       |   var str = hostname + " : " + Thread.currentThread().getName + " => ac2 before add: " + ac2Val;
       |   ac2.add(1)
       |   val ac2Val2 = ac2.value
       |   str = str + " => ac2 after add: " + ac2Val2 + "\r\n"
       |   val socket = new java.net.Socket(hostname,9999);
       |   val out = socket.getOutputStream;
       |   out.write(str.getBytes())
       |   out.flush()
       |   out.close()
       |   socket.close()
       | }
       | x }).reduce(_+_)
  

  注意：上述加入了Socket，故需要在worker节点上按照nc进行查看效果，关于nc的按照有两种，推荐使用在线安装，执行: yum install -y nc
• 运行上述代码后查看其他两台节点控制台输出，查看前需要分别在两台从节点上启动nc，执行: nc -lk 9999 回车，效果如下：
  • niit02从节点
    
  • niit03从节点
    
    在web ui上查看，如下所示：
    
    每个Task对累加器更新了5次。
    至此，对累加器的介绍就到这里，如对你有所帮助，你的赞将是对我最大的鼓励，谢谢~！！