Question

1. 在集群中执行代码时，一个难点是：理解变量和方法的范围、生命周期。下面是一个闭包的例子：

   ​x
   counter = 0
   rdd = sc.parallelize(data)
   ​
   def increment_counter(x):
       global counter
       counter += x
   rdd.foreach(increment_counter)
   print("Counter value: ", counter)

   上述代码的行为是不确定的，并且无法按照预期正常工作。

2. 在执行作业时，spark 会分解RDD 操作到每个executor 的task 中。在执行之前，spark 计算任务的闭包

   • 所谓闭包：指的是executor 要在RDD 上进行计算时，必须对执行节点可见的那些变量和方法
   • 闭包被序列化，并被发送到每个executor

3. 在上述代码中，闭包的变量的副本被发送给每个executor，当counter 被foreach 函数引用时，它已经不再是驱动器节点的counter 了

   • 虽然驱动器程序中，仍然有一个counter 在内存中；但是对于executors ，它是不可见的。
   • executor 看到的只是序列化的闭包的一个副本。所有对counter 的操作都是在executor 的本地进行。
   • 要想正确实现预期目标，则需要使用累加器

1.1 Accumulator

1. 一个累加器(Accumulator)变量只支持累加操作

   • 工作节点和驱动器程序对它都可以执行+= 操作，但是只有驱动器程序可以访问它的值。

     在工作节点上，累加器对象看起来就像是一个只写的变量

   • 工作节点对它执行的任何累加，都将自动的传播到驱动器程序中。

2. SparkContext 的累加器变量只支持基本的数据类型，如int、float 等。

   • 你可以通过AccumulatorParam 来实现自定义的累加器

3. Accumulator 的方法：

   • .add(term)：向累加器中增加值term

4. Accumulator 的属性：

   • .value：获取累加器的值。只可以在驱动器程序中使用

5. 通常使用累加器的流程为：

   • 在驱动器程序中调用SparkContext.accumulator(init_value) 来创建出带有初始值的累加器
   • 在执行器的代码中使用累加器的+= 方法或者.add(term) 方法来增加累加器的值
   • 在驱动器程序中使用累加器的.value 属性来访问累加器的值

   示例：

   
   xxxxxxxxxx
   file=sc.textFile('xxx.txt')
   acc=sc.accumulator(0)
   def xxx(line):
     global acc #访问全局变量
     if yyy:
       acc+=1
     return zzz
   rdd=file.map(xxx)

1.2 累加器与容错性

1. spark 中同一个任务可能被运行多次：

   • 如果工作节点失败了，则spark 会在另一个节点上重新运行该任务
   • 如果工作节点处理速度比别的节点慢很多，则spark 也会抢占式的在另一个节点上启动一个投机性的任务副本
   • 甚至有时候spark 需要重新运行任务来获取缓存中被移出内存的数据

2. 当spark 同一个任务被运行多次时，任务中的累加器的处理规则：

   • 在行动操作中使用的累加器，spark 确保每个任务对各累加器修改应用一次

     • 因此：如果想要一个无论在失败还是重新计算时，都绝对可靠的累加器，我们必须将它放在foreach() 这样的行动操作中

   • 在转化操作中使用的累加器，无法保证只修改应用一次。

     • 转化操作中累加器可能发生不止一次更新
     • 在转化操作中，累加器通常只用于调试目的