Question

我正在尝试在Apache Spark中使用自定义累加器来累积一个集合。结果应该具有Set [String]类型。为此我创建自定义累加器：

object SetAccumulatorParam extends AccumulatorParam[Set[String]] {
    def addInPlace(r1: mutable.Set[String], r2: mutable.Set[String]): mutable.Set[String] = {
        r1 ++= r2
    }

    def zero(initialValue: mutable.Set[String]): mutable.Set[String] = {
        Set()
    }
}

然而，我不能实例化这种类型的变量。

val tags = sc.accumulator(Set(""))(SetAccumulatorParam)

导致错误。请帮助。

required: org.apache.spark.AccumulatorParam[Set[String]]

Answer 1

添加到Traian的答案，这里是针对spark 2.x的一般情况SetAccumulator。

import org.apache.spark.util.AccumulatorV2

class SetAccumulator[T](var value: Set[T]) extends AccumulatorV2[T, Set[T]] {
  def this() = this(Set.empty[T])
  override def isZero: Boolean = value.isEmpty
  override def copy(): AccumulatorV2[T, Set[T]] = new SetAccumulator[T](value)
  override def reset(): Unit = value = Set.empty[T]
  override def add(v: T): Unit = value = value + v
  override def merge(other: AccumulatorV2[T, Set[T]]): Unit = value = value ++ other.value
}

你可以像这样使用它：

val accum = new SetAccumulator[String]()
spark.sparkContext.register(accum, "My Accum") // Optional, name it for SparkUI

spark.sparkContext.parallelize(Seq("a", "b", "a", "b", "c")).foreach(s => accum.add(s))

accum.value

哪个输出：

Set[String] = Set(a, b, c)

Answer 2

1.6的更新：

object StringSetAccumulatorParam extends AccumulatorParam[Set[String]] {
    def zero(initialValue: Set[String]): Set[String] = { Set() }
    def addInPlace(s1: Set[String], s2: Set[String]): Set[String] = { s1 ++ s2 }
}

val stringSetAccum = sc.accumulator(Set[String]())(StringSetAccumulatorParam)
sc.parallelize(Array("1", "2", "3", "1")).foreach(s => stringSetAccum += Set(s))
stringSetAccum.value.toString
res0: String = Set(2, 3, 1)

在Spark 2.0中，使用现有的collectionAccumulator可能会很好（如果您关心不同的值，只有在它们不存在时才可以检查和添加）：

val collAcc = spark.sparkContext.collectionAccumulator[String]("myCollAcc")
collAcc: org.apache.spark.util.CollectionAccumulator[String] = CollectionAccumulator(id: 32154, name: Some(myCollAcc), value: [])

spark.sparkContext.parallelize(Array("1", "2", "3")).foreach(s => collAcc.add(s))

collAcc.value.toString
res0: String = [3, 2, 1]

更多信息：https://spark.apache.org/docs/latest/api/scala/index.html#org.apache.spark.util.AccumulatorV2

如何创建自定义集累加器，即设置[String]？

2 个答案: