上一节:
下一节:

  PySpark - 广播和累加器

  • 简述

    对于并行处理，Apache Spark 使用共享变量。当驱动程序向集群上的执行程序发送任务时，集群的每个节点上都会有一份共享变量的副本，以便它可以用于执行任务。
    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

    广播变量用于保存跨所有节点的数据副本。这个变量缓存在所有机器上，而不是在有任务的机器上发送。以下代码块包含 PySpark 的广播类的详细信息。 
    
class pyspark.Broadcast (
   sc = None, 
   value = None, 
   pickle_registry = None, 
   path = None
)
    以下示例显示了如何使用广播变量。广播变量有一个名为 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- 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

    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)
    以下示例显示了如何使用累加器变量。累加器变量有一个名为 value 的属性，类似于广播变量的属性。它存储数据并用于返回累加器的值，但只能在驱动程序中使用。
    在这个例子中，一个累加器变量被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- 上述命令的输出如下所示。 
    
Accumulated value is -> 150
上一节:
下一节: