PySpark - 广播与广播累加器

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集群上的执行程序时，共享变量的副本会在集群的每个节点上运行，以便它可用于执行任务.

有两种类型Apache Spark : 支持的共享变量;

• 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，而不是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Broadcast变量. Broadcast变量有一个名为value的属性，它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 : 号;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聚合信息.例如，您可以使用累加器进行求和操作或计数器(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Accumulator变量. Accumulator变量有一个名为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，但仅在驱动程序中可用.

在此示例中，累加器变量由多个工作程序使用并返回累计值.

----------------------------- ----------- accumulator.py ------------------------------------来自pyspark导入的
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:

Accumulated value is -> 150