Question

我有两个我想加入的RDD，它们看起来像这样：

val rdd1:RDD[(T,U)]
val rdd2:RDD[((T,W), V)]

恰好是rdd1的键值是唯一的，并且rdd2的元组键值是唯一的。我想加入这两个数据集，以便得到以下rdd：

val rdd_joined:RDD[((T,W), (U,V))]

实现这一目标的最有效方法是什么？以下是我想到的一些想法。

选项1：

val m = rdd1.collectAsMap
val rdd_joined = rdd2.map({case ((t,w), u) => ((t,w), u, m.get(t))})

选项2：

val distinct_w = rdd2.map({case ((t,w), u) => w}).distinct
val rdd_joined = rdd1.cartesian(distinct_w).join(rdd2)

选项1将收集所有要掌握的数据，对吧？因此，如果rdd1很大（在我的情况下它相对较大，虽然比rdd2小一个数量级），这似乎不是一个好的选择。选项2做了一个丑陋的独特和笛卡尔的产品，这似乎也非常低效。我想到的另一种可能性（但尚未尝试过）是做选项1并广播地图，尽管以“智能”方式进行广播会更好，这样地图的按键位于同一位置。 rdd2的密钥。

之前有没有人遇到过这种情况？我很乐意接受你的想法。

谢谢！

Answer 1

一种选择是通过将rdd1收集到驱动程序并将其广播给所有映射器来执行广播连接;正确完成后，这将让我们避免大型rdd2 RDD：

的昂贵洗牌

val rdd1 = sc.parallelize(Seq((1, "A"), (2, "B"), (3, "C")))
val rdd2 = sc.parallelize(Seq(((1, "Z"), 111), ((1, "ZZ"), 111), ((2, "Y"), 222), ((3, "X"), 333)))

val rdd1Broadcast = sc.broadcast(rdd1.collectAsMap())
val joined = rdd2.mapPartitions({ iter =>
  val m = rdd1Broadcast.value
  for {
    ((t, w), u) <- iter
    if m.contains(t)
  } yield ((t, w), (u, m.get(t).get))
}, preservesPartitioning = true)

preservesPartitioning = true告诉Spark这个地图函数不会修改rdd2的键;这将允许Spark避免为基于rdd2密钥加入的任何后续操作重新分区(t, w)。

这种广播可能效率低下，因为它涉及到司机的通信瓶颈。原则上，可以在不涉及驱动程序的情况下将一个RDD广播到另一个RDD;我有一个原型，我想概括并添加到Spark。

另一种选择是重新映射rdd2的密钥并使用Spark join方法;这将涉及rdd2（可能rdd1）的完全洗牌：

rdd1.join(rdd2.map {
  case ((t, w), u) => (t, (w, u))
}).map {
  case (t, (v, (w, u))) => ((t, w), (u, v))
}.collect()

在我的示例输入中，这两种方法都会产生相同的结果：

res1: Array[((Int, java.lang.String), (Int, java.lang.String))] = Array(((1,Z),(111,A)), ((1,ZZ),(111,A)), ((2,Y),(222,B)), ((3,X),(333,C)))

第三种选择是重组rdd2，以便t成为其关键，然后执行上述连接。

Answer 2

另一种方法是创建自定义分区程序，然后使用zipPartitions加入RDD。

import org.apache.spark.HashPartitioner

class RDD2Partitioner(partitions: Int) extends HashPartitioner(partitions) {

  override def getPartition(key: Any): Int = key match {
    case k: Tuple2[Int, String] => super.getPartition(k._1)
    case _ => super.getPartition(key)
  }

}

val numSplits = 8
val rdd1 = sc.parallelize(Seq((1, "A"), (2, "B"), (3, "C"))).partitionBy(new HashPartitioner(numSplits))
val rdd2 = sc.parallelize(Seq(((1, "Z"), 111), ((1, "ZZ"), 111), ((1, "AA"), 123), ((2, "Y"), 222), ((3, "X"), 333))).partitionBy(new RDD2Partitioner(numSplits))

val result = rdd2.zipPartitions(rdd1)(
  (iter2, iter1) => {
    val m = iter1.toMap
    for {
        ((t: Int, w), u) <- iter2
        if m.contains(t)
      } yield ((t, w), (u, m.get(t).get))
  }
).partitionBy(new HashPartitioner(numSplits))

result.glom.collect

Spark：使用单键RDD加入2元组密钥RDD的最佳策略是什么？

2 个答案: