PySpark Broadcast和Accumulator
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器发送任务时,共享变量的副本会出现在集群的每个节点上,这样它就可以用来执行任务。
有两种类型的共享变量被Apache Spark支持 —
- Broadcast
- Accumulator
让我们详细了解它们。
Broadcast
广播变量是用来保存所有节点上的数据副本。这个变量被缓存在所有的机器上,而不是在有任务的机器上发送。下面的代码块是PySpark的Broadcast类的细节。
下面的例子显示了如何使用一个广播变量。广播变量有一个名为value的属性,它存储了数据,并用于返回一个广播的值。
命令 --广播变量的命令如下:
输出 - 以下命令的输出情况如下。
Accumulator
累积器变量用于通过关联和互换操作来聚合信息。例如,你可以使用一个累加器来进行求和操作或计数器(在MapReduce中)。下面的代码块有PySpark的Accumulator类的细节。
下面的例子显示了如何使用一个Accumulator变量。一个Accumulator变量有一个名为value的属性,与广播变量的属性相似。它存储数据并用于返回累加器的值,但只在驱动程序中可用。
在这个例子中,一个累积器变量被多个工作者使用,并返回一个累积值。
命令 - 累加器变量的命令如下-
输出 - 上述命令的输出如下。