Spark学习之路（六）—— 累加器与广播变量

一、简介

在Spark中，提供了两种类型的共享变量：累加器(accumulator)与广播变量(broadcast variable)：

累加器：用来对信息进行聚合，主要用于累计计数等场景；
广播变量：主要用于在节点间高效分发大对象。

二、累加器

这里先看一个具体的场景，对于正常的累计求和，如果在集群模式中使用下面的代码进行计算，会发现执行结果并非预期：

var counter = 0
val data = Array(1, 2, 3, 4, 5)
sc.parallelize(data).foreach(x => counter += x)
 println(counter)

counter最后的结果是0，导致这个问题的主要原因是闭包。

2.1 理解闭包

1. Scala中闭包的概念

这里先介绍一下Scala中关于闭包的概念：

var more = 10
val addMore = (x: Int) => x + more

如上函数addMore中有两个变量x和more:

x : 是一个绑定变量(bound variable)，因为其是该函数的入参，在函数的上下文中有明确的定义；
more : 是一个自由变量(free variable)，因为函数字面量本生并没有给more赋予任何含义。

按照定义：在创建函数时，如果需要捕获自由变量，那么包含指向被捕获变量的引用的函数就被称为闭包函数。

2. Spark中的闭包

在实际计算时，Spark会将对RDD操作分解为Task，Task运行在Worker Node上。在执行之前，Spark会对任务进行闭包，如果闭包内涉及到自由变量，则程序会进行拷贝，并将副本变量放在闭包中，之后闭包被序列化并发送给每个执行者。因此，当在foreach函数中引用counter时，它将不再是Driver节点上的counter，而是闭包中的副本counter，默认情况下，副本counter更新后的值不会回传到Driver，所以counter的最终值仍然为零。

需要注意的是：在Local模式下，有可能执行foreach的Worker Node与Diver处在相同的JVM，并引用相同的原始counter，这时候更新可能是正确的，但是在集群模式下一定不正确。所以在遇到此类问题时应优先使用累加器。

累加器的原理实际上很简单：就是将每个副本变量的最终值传回Driver，由Driver聚合后得到最终值，并更新原始变量。

2.2 使用累加器

SparkContext中定义了所有创建累加器的方法，需要注意的是：被中横线划掉的累加器方法在Spark 2.0.0之后被标识为废弃。

使用示例和执行结果分别如下：

val data = Array(1, 2, 3, 4, 5)
// 定义累加器
val accum = sc.longAccumulator("My Accumulator")
sc.parallelize(data).foreach(x => accum.add(x))
// 获取累加器的值
accum.value

三、广播变量

在上面介绍中闭包的过程中我们说道每个Task任务的闭包都会持有自由变量的副本，如果变量很大且Task任务很多的情况下，这必然会对网络IO造成压力，为了解决这个情况，Spark提供了广播变量。

广播变量的做法很简单：就是不把副本变量分发到每个Task中，而是将其分发到每个Executor，Executor中的所有Task共享一个副本变量。

// 把一个数组定义为一个广播变量
val broadcastVar = sc.broadcast(Array(1, 2, 3, 4, 5))
// 之后用到该数组时应优先使用广播变量，而不是原值
sc.parallelize(broadcastVar.value).map(_ * 10).collect()

参考资料

RDD Programming Guide

更多大数据系列文章可以参见个人 GitHub 开源项目：程序员大数据入门指南