📌  相关文章
📜  PySpark-广播和累加器

📅  最后修改于: 2020-11-06 05:16:38             🧑  作者: Mango

对于并行处理，Apache Spark使用共享变量。当驱动程序将任务发送到群集上的执行程序时，共享变量的副本将出现在群集的每个节点上，以便可以将其用于执行任务。

Apache Spark支持两种类型的共享变量-

  • 广播
  • 累加器

让我们详细了解它们。

广播

广播变量用于保存所有节点上的数据副本。此变量缓存在所有计算机上，而不在具有任务的计算机上发送。以下代码块包含PySpark的Broadcast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。 Broadcast变量具有称为value的属性，该属性存储数据并用于返回广播的值。 

----------------------------------------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。

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

累加器

累加器变量用于通过关联和交换操作汇总信息。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的Accumulator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。累加器变量具有称为值的属性，该属性与广播变量的属性类似。它存储数据，并用于返回累加器的值，但仅在驱动程序中可用。

在此示例中，一个累加器变量由多个工作人员使用，并返回一个累加值。

----------------------------------------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-上面命令的输出如下。

Accumulated value is -> 150