六十四、Spark-分别统计各个单词个数及特殊字符总个数

共享变量

广播变量（Broadcast Variables）：广播变量用来把变量在所有节点的内存之间进行共享，在每个机器上缓存一个只读的变量，而不是为机器上的每个任务都生成一个副本，简单理解：减少内存，减小计算压力;

累加器（Accumulators）：累加器支持在所有不同节点之间进行累加计算(比如计数或者求和);

需求说明：以词频统计WordCount程序为例，处理特殊数据，包括非单词符号，做WordCount的同时统计出特殊字符的数量

原数据展示

     注：原数据杂乱无章，与所需单词混淆，间隔且不等

业务逻辑

1、创建本地环境，并设置日志提示级别

val conf: SparkConf = new SparkConf().setAppName("spark").setMaster("local[*]")
val sc: SparkContext = new SparkContext(conf)
sc.setLogLevel("WARN")

2、创建累加器

val mycounter: LongAccumulator = sc.longAccumulator("mycounter")

3、定义特殊字符集合

val ruleList: List[String] = List(",", ".", "!", "#", "$", "`", "~", "@", "?", "*", "^")

4、将集合作为广播变量广播到各个节点

val broadcast: Broadcast[List[String]] = sc.broadcast(ruleList)

5、加载数据，创建RDD

val lines: RDD[String] = sc.textFile("data/input/words2.txt")

6、过滤筛选

val wordcountResult: RDD[(String, Int)] = lines.filter(StringUtils.isNoneBlank(_))
      .flatMap(_.split("\\s+"))
      .filter(ch => {
        //获取广播数据
        val list: List[String] = broadcast.value
        if (list.contains(ch)) { //特殊字符
          mycounter.add(1)
          false
        } else { //单词
          true
        }
      }).map((_, 1))
      .reduceByKey(_ + _)

7、输出单词统计及特殊字符

wordcountResult.foreach(println)
val chResult: lang.Long = mycounter.value
println("特殊字符的数量:" + chResult)

完整代码

package org.example.spark
import java.lang
import org.apache.commons.lang3.StringUtils
import org.apache.spark.broadcast.Broadcast
import org.apache.spark.rdd.RDD
import org.apache.spark.util.LongAccumulator
import org.apache.spark.{SparkConf, SparkContext}
/**
 * Author tuomasi
 * Desc 演示RDD的共享变量
 */
object RDD_ShareVariable {
  def main(args: Array[String]): Unit = {
    //TODO 0.env/创建环境
    val conf: SparkConf = new SparkConf().setAppName("spark").setMaster("local[*]")
    val sc: SparkContext = new SparkContext(conf)
    sc.setLogLevel("WARN")
    //创建计数器/累加器
    val mycounter: LongAccumulator = sc.longAccumulator("mycounter")
    //定义一个特殊字符集合
    val ruleList: List[String] = List(",", ".", "!", "#", "$", "`", "~", "@", "?", "*", "^")
    //将集合作为广播变量广播到各个节点
    val broadcast: Broadcast[List[String]] = sc.broadcast(ruleList)
    //TODO 1.source/加载数据/创建RDD
    val lines: RDD[String] = sc.textFile("data/input/words2.txt")
    //TODO 2.transformation
    val wordcountResult: RDD[(String, Int)] = lines.filter(StringUtils.isNoneBlank(_))
      .flatMap(_.split("\\s+"))
      .filter(ch => {
        //获取广播数据
        val list: List[String] = broadcast.value
        if (list.contains(ch)) { //特殊字符
          mycounter.add(1)
          false
        } else { //单词
          true
        }
      }).map((_, 1))
      .reduceByKey(_ + _)
    
    //TODO 3.sink/输出
    wordcountResult.foreach(println)
    val chResult: lang.Long = mycounter.value
    println("特殊字符的数量:" + chResult)
  }
}

程序运行

原数据：

控制台打印：

     注：通过对比，该程序实现了单词与特殊字符的分别统计

项目总结

使用广播变量的好处：

1、Driver每次分发任务的时候会把task和计算逻辑的变量发送给Executor。不使用广播变量，在每个Executor中有多少个task就有多少个Driver端变量副本。这样会导致消耗大量的内存导致严重的后果。
2、使用广播变量的好处，不需要每个task带上一份变量副本，而是变成每个节点的executor才一份副本。这样的话， 就可以让变量产生的副本大大减少；