在 Apache Spark 中，广播变量与累加器各自扮演什么角色？请解释二者的核心差异，并分别举例说明它们适用的典型业务场景。

回答思路

1. 【回答框架 1】广播变量是只读的共享变量，用于将大表或配置数据分发到所有 executor，每个 executor 只保留一份副本，通过高效的广播算法（如 TreeBroadcast）减少网络传输和内存占用。累加器是可写的共享变量，仅支持累加操作，主要用于实现计数器或求和，且只能在 driver 端读取最终值。
2. 【回答框架 2】核心区别在于读写权限和用途：广播变量是只读的，所有 task 共享同一份数据，适合优化 join 或 map 操作中重复使用的静态数据；累加器是只写（从 executor 视角）的，只能执行加法等操作，用于统计任务处理量、错误次数等指标。
3. 【回答框架 3】在场景应用上，广播变量典型用于小表 join 大表时，将小表广播到各节点，避免 shuffle 开销；累加器典型用于日志分析中统计处理的总记录数、满足特定条件的记录数或异常数量，例如统计过滤后的有效数据条数。
4. 【回答框架 4】使用时需注意：广播变量修改后不会自动更新，需重新广播；累加器在 action 算子中才能保证精确累加，在 transformation 算子中可能因任务重试导致重复累加。
5. 【关键点 1】广播变量只读，每个 executor 一份，用于优化数据分发；累加器只写，用于计数器。
6. 【关键点 2】广播变量适合小表广播场景，可减少 shuffle 和网络 IO。
7. 【关键点 3】累加器只在 action 算子中触发精确累加，transformation 中可能重复累加。
8. 【易错点 1】不能在 executor 端读取累加器的值，只能在 driver 端获取最终结果。
9. 【易错点 2】广播变量更新后需要重新广播，否则旧副本继续使用。
10. 【易错点 3】累加器在 transformation 中执行时，任务重试或推测执行可能导致计数不准确。