java - Spark 蓄能器

Question

我是 Spark 中累加器的新手。我创建了一个累加器，它将数据框中所有列的总和和计数信息收集到一个 Map 中。 哪个没有按预期运行，所以我有一些疑问。

当我在本地模式下运行此类(粘贴在下面)时，我可以看到累加器得到更新但最终值仍然为空。出于调试目的，我在 add() 中添加了一个打印语句。

Q1) 为什么在添加累加器时最终的累加器没有更新？

作为引用，我研究了 CollectionsAccumulator，他们在其中使用了 Java Collections 中的 SynchronizedList。

Q2) 更新累加器是否需要同步/并发集合？

Q3) 哪个集合最适合这样的目的？

我附上了我的执行流程以及用于分析的 spark ui 快照。

谢谢。

执行:

输入数据帧 -

+-------+-------+
|Column1|Column2|
+-------+-------+
|1      |2      |
|3      |4      |
+-------+-------+

输出 -

添加 - map (列 1 -> map (总和 -> 1，计数 -> 1)，列 2 -> map (总和 -> 2，计数 -> 1))

添加 - map (列 1 -> map (总和 -> 4，计数 -> 2)，列 2 -> map (总和 -> 6，计数 -> 2))

TestRowAccumulator(id: 1, name: Some(Test Accumulator for Sum&Count), value: Map())

SPARK UI 快照 -

类:

class TestRowAccumulator extends AccumulatorV2[Row,Map[String,Map[String,Int]]]{

  private var colMetrics: Map[String, Map[String, Int]] = Map[String , Map[String , Int]]()


  override def isZero: Boolean = this.colMetrics.isEmpty

  override def copy(): AccumulatorV2[Row, Map[String,Map[String,Int]]] = {
    val racc = new TestRowAccumulator
    racc.colMetrics = colMetrics
    racc
  }

  override def reset(): Unit = {
    colMetrics = Map[String,Map[String,Int]]()
  }

  override def add(v: Row): Unit = {

    v.schema.foreach(field => {
      val name: String = field.name
      val value: Int = v.getAs[Int](name)
      if(!colMetrics.contains(name))
        {
          colMetrics = colMetrics ++ Map(name -> Map("sum" -> value , "count" -> 1 ))
        }else
        {
          val metric = colMetrics(name)
          val sum = metric("sum") + value
          val count = metric("count") + 1

          colMetrics = colMetrics ++ Map(name -> Map("sum" -> sum , "count" -> count))
        }
    })
  }

  override def merge(other: AccumulatorV2[Row, Map[String,Map[String,Int]]]): Unit = {
    other match {
      case t:TestRowAccumulator => {
        colMetrics.map(col => {
          val map2: Map[String, Int] = t.colMetrics.getOrElse(col._1 , Map())
          val map1: Map[String, Int] = col._2
          map1 ++ map2.map{ case (k,v) => k -> (v + map1.getOrElse(k,0)) }
        } )
      }
      case _ => throw new UnsupportedOperationException(s"Cannot merge ${this.getClass.getName} with ${other.getClass.getName}")
    }
  }

  override def value: Map[String, Map[String, Int]] = {
    colMetrics
  }
}

Answer 1

经过一些调试，我发现正在调用合并函数。 它有错误的代码，所以可累积的值为 Map()

累加器的执行流程(本地模式): 添加 添加 合并

一旦我更正了合并功能，累加器就会按预期工作