Spark 累加器实验

发布时间:2020-05-30 18:09:48 作者:孟硕老师
来源:网络 阅读:904

以下代码用 Pyspark + IPython 完成


统计日志空行的数量:

读取日志,创建RDD:

myrdd = sc.textFile("access.log")


  1. 不使用累加器:

In [68]: s = 0
In [69]: def f(x):
    ...:     global s
    ...:     if len(x) == 0:
    ...:         s += 1
    ...:
In [70]: myrdd.foreach(f)
In [71]: print (s)

得出结果为:

0

原因是python 的变量,即使是全局变量不能应用在各个计算进程(线程)中同步数据,所以需要分布式计算框架的变量来同步数据,Spark 中采用累加器来解决:


  1. 使用累加器

In [64]: s = sc.accumulator(0)
In [65]: def f(x):
    ...:     global s
    ...:     if len(x) == 0:
    ...:         s += 1
    ...:
In [66]: myrdd.foreach(f)
In [67]: print (s)

得出正确结果:

14



推荐阅读:
  1. Spark 系列(六)—— 累加器与广播变量
  2. 生产常用Spark累加器剖析之四

免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。

spark spar

上一篇:回溯法解决迷宫问题

下一篇:HTML5与HTML4之间的差异

相关阅读

您好,登录后才能下订单哦!

密码登录
登录注册
其他方式登录
点击 登录注册 即表示同意《亿速云用户服务条款》