一、概述

在spark程序中，當一個傳遞給Spark操作(例如map和reduce)的函數在遠程節點上面運行時，Spark操作實際上操作的是這個函數所用變量的一個獨立副本。這些變量會被復制到每臺機器上，並且這些變量在遠程機器上的所有更新都不會傳遞回驅動程序。通常跨任務的讀寫變量是低效的，但是，Spark還是為兩種常見的使用模式提供了兩種有限的共享變量：廣播變（broadcast variable）和累加器（accumulator）

二、廣播變量broadcast variable

2.1　為什麽要將變量定義成廣播變量？

如果我們要在分布式計算裏面分發大對象，例如：字典，集合，黑白名單等，這個都會由Driver端進行分發，一般來講，如果這個變量不是廣播變量，那麽每個task就會分發一份，這在task數目十分多的情況下Driver的帶寬會成為系統的瓶頸，而且會大量消耗task服務器上的資源

2.2　廣播變量圖解

錯誤的，不使用廣播變量

正確的，使用廣播變量的情況

2.3　如何定義一個廣播變量？

val a = 3
val broadcast = sc.broadcast(a)

2.4　如何還原一個廣播變量？

val c = broadcast.value

2.5　定義廣播變量需要的註意點？

變量一旦被定義為一個廣播變量，那麽這個變量只能讀，不能修改

2.6　註意事項

1、能不能將一個RDD使用廣播變量廣播出去？

不能，因為RDD是不存儲數據的。可以將RDD的結果廣播出去。

2、 廣播變量只能在Driver端定義，不能在Executor端定義。

3、 在Driver端可以修改廣播變量的值，在Executor端無法修改廣播變量的值。

4、如果executor端用到了Driver的變量，如果不使用廣播變量在Executor有多少task就有多少Driver端的變量副本。

5、如果Executor端用到了Driver的變量，如果使用廣播變量在每個Executor中只有一份Driver端的變量副本。

三、累加器

3.1　為什麽要將一個變量定義為一個累加器？

在spark應用程序中，我們經常會有這樣的需求，如異常監控，調試，記錄符合某特性的數據的數目，這種需求都需要用到計數器，如果一個變量不被聲明為一個累加器，那麽它將在被改變時不會再driver端進行全局匯總，即在分布式運行時每個task運行的只是原始變量的一個副本，並不能改變原始變量的值，但是當這個變量被聲明為累加器後，該變量就會有分布式計數的功能。

3.2　圖解累加器

錯誤的圖解

正確的圖解

3.3　如何定義一個累加器？

val a = sc.accumulator(0)

3.4　如何還原一個累加器？

val b = a.value

3.5　註意事項

1、 累加器在Driver端定義賦初始值，累加器只能在Driver端讀取最後的值，在Excutor端更新。

2、累加器不是一個調優的操作，因為如果不這樣做，結果是錯的

Spark學習之路 （四）Spark的廣播變量和累加器