火花

Question

造成内存溢出异常太多的地图键我有形式RDD[(Vector[(Int, Byte)], Vector[(Int, Byte)])]这是一个PairRDD(key,value)，其中关键是Vector[(Int, Byte)]和价值是Vector[(Int, Byte)]的RDD 'inRDD'。

对于关键字段向量中的每个元素(Int, Byte)以及值字段向量中的每个元素(Int, Byte)我想在输出RDD中获得一个新的（键，值）对作为(Int, Int), (Byte, Byte)。

这应该给我一个形式为RDD[((Int, Int), (Byte, Byte))]的RDD。

例如，inRDD内容也能像，

(Vector((3,2)),Vector((4,2))), (Vector((2,3), (3,3)),Vector((3,1))), (Vector((1,3)),Vector((2,1))), (Vector((1,2)),Vector((2,2), (1,2))) 

这将成为

((3,4),(2,2)), ((2,3),(3,1)), ((3,3),(3,1)), ((1,2),(3,1)), ((1,2),(2,2)), ((1,1),(2,2)) 

我有下面的代码。

val outRDD = inRDD.flatMap {           
    case (left, right) => 
    for ((ll, li) <- left; (rl, ri) <- right) yield { 
     (ll,rl) -> (li,ri) 
    } 
} 

它适用于向量在inRDD中时尺寸较小的情况。但是当向量中有很多元素时，我得到了out of memory exception。增加可用存储器 的火花只能解决较小的输入，并且对于更大的输入又会出现错误。 看起来我正试图在内存中组装一个巨大的结构。我无法以任何其他方式重写此代码。

我已经实施了与java in hadoop类似的逻辑如下。

for (String fromValue : fromAssetVals) { 
    fromEntity = fromValue.split(":")[0]; 
    fromAttr = fromValue.split(":")[1]; 
    for (String toValue : toAssetVals) { 
     toEntity = toValue.split(":")[0]; 
     toAttr = toValue.split(":")[1]; 
     oKey = new Text(fromEntity.trim() + ":" + toEntity.trim()); 
     oValue = new Text(fromAttr + ":" + toAttr); 
     outputCollector.collect(oKey, oValue); 
    } 
} 

但是当我在spark中尝试类似的东西时，我得到了嵌套的rdd异常。

我该如何有效地使用spark using scala？

Answer 1

好吧，如果笛卡尔乘积是你至少可以使它更有点懒的唯一选择：

inRDD.flatMap { case (xs, ys) => 
    xs.toIterator.flatMap(x => ys.toIterator.map(y => (x, y))) 
} 

您还可以在星火水平

import org.apache.spark.RangePartitioner 

val indexed = inRDD.zipWithUniqueId.map(_.swap) 
val partitioner = new RangePartitioner(indexed.partitions.size, indexed) 
val partitioned = indexed.partitionBy(partitioner) 

val lefts = partitioned.flatMapValues(_._1) 
val rights = partitioned.flatMapValues(_._2) 

lefts.join(rights).values