生产常用Spark累加器剖析之四

生产常用Spark累加器剖析之四

现象描述

val acc = sc.accumulator(0, “Error Accumulator”)
val data = sc.parallelize(1 to 10)
val newData = data.map(x => {
  if (x % 2 == 0) {
 accum += 1
}
})
newData.count
acc.value
newData.foreach(println)
acc.value

上述现象，会造成acc.value的最终值变为10

原因分析

Spark中的一系列transform操作都会构造成一长串的任务链，此时就需要通过一个action操作来触发（lazy的特性），accumulator也是如此。

• 因此在一个action操作之后，调用value方法查看，是没有任何变化
• 第一次action操作之后，调用value方法查看，变成了5
• 第二次action操作之后，调用value方法查看，变成了10

原因就在于第二次action操作的时候，又执行了一次累加器的操作，同个累加器，在原有的基础上又加了5，从而变成了10

解决方案

通过上述的现象描述，我们可以很快知道解决的方法：只进行一次action操作。基于此，我们只要切断任务之间的依赖关系就可以了，即使用cache、persist。这样操作之后，那么后续的累加器操作就不会受前面的transform操作影响了

相关案例

• 需求

  使用Accumulators统计emp表中NULL出现的次数以及正常数据的条数 & 打印正常数据的信息

• 数据

  7369  SMITH   CLERK   7902    1980-12-17  800.00      20
  7499  ALLEN   SALESMAN    7698    1981-2-20   1600.00 300.00  30
  7521  WARD    SALESMAN    7698    1981-2-22   1250.00 500.00  30
  7566  JONES   MANAGER 7839    1981-4-2    2975.00     20
  7654  MARTIN  SALESMAN    7698    1981-9-28   1250.00 1400.00 30
  7698  BLAKE   MANAGER 7839    1981-5-1    2850.00     30
  7782  CLARK   MANAGER 7839    1981-6-9    2450.00     10
  7788  SCOTT   ANALYST 7566    1987-4-19   3000.00     20
  7839  KING    PRESIDENT       1981-11-17  5000.00     10
  7844  TURNER  SALESMAN    7698    1981-9-8    1500.00 0.00    30
  7876  ADAMS   CLERK   7788    1987-5-23   1100.00     20
  7900  JAMES   CLERK   7698    1981-12-3   950.00      30
  7902  FORD    ANALYST 7566    1981-12-3   3000.00     20
  7934  MILLER  CLERK   7782    1982-1-23   1300.00     10

• 遇到的坑 & 解决方法

  现象描述 & 原因分析：

  我们都知道，spark中的一系列transform操作会构成一串长的任务链，此时就需要通过一个action操作来触发； accumulator也是一样的，只有当action操作执行时，才会触发accumulator的执行； 因此在一个action操作之前，我们调用accumulator的value方法是无法查看其数值的，肯定是没有任何变化的； 所以在对normalData进行foreach操作之后，即action操作之后，我们会发现累加器的数值就变成了11； 之后，我们对normalData再进行一次count操作之后，即又一次的action操作之后，其实这时候，又去执行了一次前面的transform操作； 因此累加器的值又增加了11，变成了22

  解决办法：

  经过上面的分析，我们可以知道，使用累加器的时候，我们只有使用一次action操作才能够保证结果的准确性 因此，我们面对这种情况，是有办法的，做法就是切断它们相互之间的依赖关系即可 因此对normalData使用cache方法，当RDD第一次被计算出来时，就会被直接缓存起来 再调用时，相同的计算操作就不会再重新计算一遍

  import org.apache.spark.{SparkConf, SparkContext}
  /**
  * 使用Spark Accumulators完成Job的数据量处理
  * 统计emp表中NULL出现的次数以及正常数据的条数 & 打印正常数据的信息
  */
  object AccumulatorsApp {
  def main(args: Array[String]): Unit = {
  val conf = new SparkConf().setMaster("local[2]").setAppName("AccumulatorsApp")
  val sc = new SparkContext(conf)
  val lines = sc.textFile("E:/emp.txt")
  // long类型的累加器值
  val nullNum = sc.longAccumulator("NullNumber")
  val normalData = lines.filter(line => {
    var flag = true
    val splitLines = line.split("/t")
    for (splitLine <- splitLines){
      if ("".equals(splitLine)){
        flag = false
        nullNum.add(1)
      }
    }
    flag
  })
  // 使用cache方法，将RDD的第一次计算结果进行缓存；防止后面RDD进行重复计算，导致累加器的值不准确
  normalData.cache()
  // 打印每一条正常数据
  normalData.foreach(println)
  // 打印正常数据的条数
  println("NORMAL DATA NUMBER: " + normalData.count())
  // 打印emp表中NULL出现的次数
  println("NULL: " + nullNum.value)
  sc.stop()
  }
  }