Spark 累加器实验
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")
[*] 不使用累加器:
In : s = 0
In : def f(x):
...: global s
...: if len(x) == 0:
...: s += 1
...:
In : myrdd.foreach(f)
In : 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:
[*] 使用累加器
In : s = sc.accumulator(0)
In : def f(x):
...: global s
...: if len(x) == 0:
...: s += 1
...:
In : myrdd.foreach(f)
In : print (s) 得出正确结果:
14
页:
[1]