Spark2.x入门:共享变量类型:广播变量和累加器(下）

概述:  

    上篇文章我们讲了“Spark2.x进阶:深入理解Spark中的闭包”，我建议你看本篇文章之前先看上一篇关于闭包的讲解，上篇文章中sum求和后是0，而不是期望的15。如何解决闭包问题呢？如果RDD想操作一个作用域外的变量，一般都是用共享变量来实现，之前也写广播变量的用法，这里讲一下累加器的用法。

为什么要定义累加器？

    在 Spark 应用程序中，我们经常会有这样的需求，如要需要统计符合某种特性数据的总数，这种需求都需要用到计数器。如果一个变量不被声明为一个累加器，那么它将在被改变时不会在 driver 端进行全局汇总，即在分布式运行时每个 task 运行的只是原始变量的 一个副本，并不能改变原始变量的值，但是当这个变量被声明为累加器后，该变量就会有分布式计数的功能。

    这里还是跟上篇文章类似的代码，只不过定义了一个累加器sum，而不是普通变量，实例实例代码如下：

package com.hadoop.ljs.spark220.study
import org.apache.spark.{SparkConf, SparkContext}
/**
  * @author: Created By lujisen
  * @company ChinaUnicom Software JiNan
  * @date: 2020-02-20 19:36
  * @version: v1.0
  * @description: com.hadoop.ljs.spark220.study
  */
object AccumlatorTest {
  def main(args: Array[String]): Unit = {
    val sparkConf=new SparkConf().setMaster("local[*]").setAppName("AccumlatorTest")
    val sc=new SparkContext(sparkConf)
    /*定义一个共享变量：累加器*/
    val sum=sc.accumulator(0)
    /*输入数据*/
    val rdd1=sc.parallelize(List(1,2,3,4,5))
    /*求和 ，然后各个元素加1*/
    val rdd2=rdd1.map(x=>{
      sum+=x
      x
    })
    /*这里是个action操作 没有这个操作，程序不会执行*/
    rdd2.collect()
    println("求和："+sum)
    sc.stop()
  }
}

运行结果如下,sum=15，符合我们的期望值：

结合上面的代码说一下累加器的执行过程：

 1).Accumulator需要在Driver进行定义和并初始化，并进行注册，同时Accumulator首先需要在Driver进行序列化，然后发送到Executor端；另外，Driver接收到Task任务完成的状态更新后，会去更新Value的值，然后在Action操作执行后就可以获取到Accumulator的值了。

  2).Executor接收到Task之后会进行反序列化操作，反序列化得到RDD和function，同时在反序列化的同时也去反序列化Accumulator，同时也会向TaskContext完成注册，完成任务计算之后，随着Task结果一起返回给Driver端进行处理。

    这里有执行过程图可以参考下：

累加器特性：

    1.累加器也是也具有懒加载属性，只有在action操作执行时，才会强制触发计算求值；

    2.累加器的值只可以在Driver端定义初始化，在Executor端更新，不能在Executor端进行定义初始化，不能在Executor端通过[.value]获取值，任何工作节点上的Task都不能访问累加器的值；

    3.闭包里的执行器代码可以使用累加器的 += 方法（在Java中是 add ）增加累加器的值。

特别提醒：

    累加器在Driver端定义赋初始值，累加器只能在Driver端读取最后的值，在Excutor端更新。