标签:ringbuf 代码 contain 之间 使用 buffer red 举例 自定义
没看过累加器的时候,写了这么个代码,发现map里头foreach完了还是0啊?咋回事啊?
1 def calNrOfEachDataMap(data:RDD[String],neededDataMap:Set[Map[Int,String]]): Map[Map[Int,String],Int] ={ 2 var ans:Map[Map[Int,String],Int] = Map[Map[Int,String],Int]() 3 neededDataMap.foreach(m=>{ 4 if(!ans.contains(m)) ans += (m->0) 5 }) 6 data.foreach(sampleStr=>{ 7 val sampleArray = sampleStr.split(",") 8 neededDataMap.foreach(m=>{ 9 if(dataFitMap(sampleArray,m)){ 10 ans(m) = ans(m)+1 11 } 12 }) 13 }) 14 ans 15 }
原因:
在spark算子中引用的外部变量,其实是变量的副本,在算子中对其值进行修改,只是改变副本的值,外部的变量还是没有变。
通俗易懂的讲就是foreach里的变量带不出来的,除非用map,将结果作为rdd返回
解决方法:
1.map代替foreach。2.broadcast广播变量。3.accumulater累加器
我个人通过用mapPartition做了,但是借机会学点Accumulater的东西吧。
Spark内置了三种类型的Accumulator,分别是LongAccumulator用来累加整数型,DoubleAccumulator用来累加浮点型,CollectionAccumulator用来累加集合元素。
import org.apache.spark.util.CollectionAccumulator; import org.apache.spark.util.DoubleAccumulator; import org.apache.spark.util.LongAccumulator;
定义的时候如下定义,要定义名字,我们就能再sparkUI里头看到了(2.0以前的版本采用的accumulator,2.0之后被废除了,所以通过自定义AccumulatorV2来操作)(java scala混一块了见谅)
val accum = sc.collectionAccumulator[mutable.Map[String, String]]("My Accumulator") // LongAccumulator: 数值型累加 LongAccumulator longAccumulator = sc.longAccumulator("long-account"); // DoubleAccumulator: 小数型累加 DoubleAccumulator doubleAccumulator = sc.doubleAccumulator("double-account");
用的时候就这么用
longAccumulator.add(x);
doubleAccumulator.add(x);
accum.add(mutable.Map(input._1 -> str))
监控的时候。。。
System.out.println("longAccumulator: " + longAccumulator.value()); System.out.println("doubleAccumulator: " + doubleAccumulator.value()); // 注意,集合中元素的顺序是无法保证的,多运行几次发现每次元素的顺序都可能会变化 System.out.println("collectionAccumulator: " + collectionAccumulator.value());
1. 继承AccumulatorV2,实现相关方法
2. 创建自定义Accumulator的实例,然后在SparkContext上注册它
它们都有一个共同的特点,就是最终的结果不受累加数据顺序的影响(对于CollectionAccumulator来说,可以简单的将结果集看做是一个无序Set),看到网上有博主举例子StringAccumulator,这个就是一个错误的例子,就相当于开了一百个线程,每个线程随机sleep若干毫秒然后往StringBuffer中追加字符,最后追加出来的字符串是无法被预测的。总结一下就是累加器的最终结果应该不受累加顺序的影响,否则就要重新审视一下这个累加器的设计是否合理。
我们继续把wordcount拿出来鞭尸(假设accu放在map里头,看到一个句号就加一,来算有几句话)。由于各个rdd之间有依赖,比如在转换算子之中,如果不persist,reduceBykey一次,map就会被调用一次wordcount只调用一次reduce,所以没问题。但实际算法里头,可能多次调用map,这样,吊一次,加一次,得到的最终结果,就是错的。
解决方法:通过Cache / persist等将数据固定下来,下次用到就不会再调用accu了
举个栗子:
tf.map(......).cache()
标签:ringbuf 代码 contain 之间 使用 buffer red 举例 自定义
原文地址:https://www.cnblogs.com/tillnight1996/p/12494670.html