Question

我有一个看起来像这样的数据集，其中每个用户和产品ID都是一个字符串：

userA, productX
userA, productX
userB, productY

拥有约280万件产品和3亿用户;大约21亿用户产品协会。

我的最终目标是在此数据集上运行Spark协作过滤（ALS）。由于它需要用户和产品的int键，我的第一步是为每个用户和产品分配一个唯一的int，并转换上面的数据集，以便用户和产品用int表示。

这是我到目前为止所尝试的内容：

val rawInputData = sc.textFile(params.inputPath)
  .filter { line => !(line contains "\\N") }
  .map { line =>
      val parts = line.split("\t")
      (parts(0), parts(1))  // user, product
    }

// find all unique users and assign them IDs
val idx1map = rawInputData.map(_._1).distinct().zipWithUniqueId().cache()

// find all unique products and assign IDs
val idx2map = rawInputData.map(_._2).distinct().zipWithUniqueId().cache()

idx1map.map{ case (id, idx) => id + "\t" + idx.toString
}.saveAsTextFile(params.idx1Out)
idx2map.map{ case (id, idx) => id + "\t" + idx.toString
}.saveAsTextFile(params.idx2Out)

// join with user ID map:
// convert from (userStr, productStr) to (productStr, userIntId)
val rev = rawInputData.cogroup(idx1map).flatMap{
  case (id1, (id2s, idx1s)) =>
    val idx1 = idx1s.head
    id2s.map { (_, idx1)
    }
}

// join with product ID map:
// convert from (productStr, userIntId) to (userIntId, productIntId)
val converted = rev.cogroup(idx2map).flatMap{
  case (id2, (idx1s, idx2s)) =>
    val idx2 = idx2s.head
    idx1s.map{ (_, idx2)
    }
}

// save output
val convertedInts = converted.map{
  case (a,b) => a.toInt.toString + "\t" + b.toInt.toString
}
convertedInts.saveAsTextFile(params.outputPath)

当我尝试在我的集群上运行它（40个执行器，每个5 GB RAM）时，它能够很好地生成idx1map和idx2map文件，但是在cogroup之后第一个flatMap的内存错误和获取失败时失败。我之前没有做过很多Spark，所以我想知道是否有更好的方法来实现这一点;我不太清楚这项工作中的哪些步骤会很昂贵。当然，cogroup需要在整个网络中对整个数据集进行混洗;但这样的事情是什么意思呢？

FetchFailed(BlockManagerId(25, ip-***.ec2.internal, 48690), shuffleId=2, mapId=87, reduceId=25)

我不仅仅使用散列函数的原因是我最终希望在更大的数据集（大约10亿个产品，10亿用户，350亿个关联）上运行它，并且Int键冲突会变得非常大。是否在该规模的数据集上运行ALS甚至接近可行？

Answer 1

我看起来你实际上是收集所有用户列表，只是为了再次拆分它们。尝试使用join而不是cogroup，这在我看来更像你想要的。例如：

import org.apache.spark.SparkContext._
// Create some fake data
val data = sc.parallelize(Seq(("userA", "productA"),("userA", "productB"),("userB", "productB")))
val userId = sc.parallelize(Seq(("userA",1),("userB",2)))
val productId = sc.parallelize(Seq(("productA",1),("productB",2)))

// Replace userName with ID's
val userReplaced = data.join(userId).map{case (_,(prod,user)) => (prod,user)}
// Replace product names with ID's
val bothReplaced = userReplaced.join(productId).map{case (_,(user,prod)) => (user,prod)}

// Check results:
bothReplaced.collect()) // Array((1,1), (1,2), (2,2))

请放弃对其效果的评论。

（我不知道FetchFailed(...)意味着什么）

Answer 2

我的平台版本：CDH：5.7，Spark：1.6.0 / StandAlone；

我的测试数据大小：31815167所有数据； 31562704个不同的用户字符串，4140276个不同的产品字符串。

第一个想法：

我的第一个想法是使用collectAsMap动作，然后使用地图的想法将用户/产品字符串更改为int。驱动程序内存高达12G时，出现OOM或GC开销异常（该异常受驱动程序内存限制）。

但是这种想法只能用于较小的数据量，而对于较大的数据量，则需要更大的驱动程序内存。

第二个想法：第二个想法是使用Tobber建议的连接方法。这是一些测试结果：作业设置：
- 驱动程序：2G，2 cpu;
- 执行器：（8G，4 cpu）* 7;

我遵循以下步骤：

1）查找唯一的用户字符串和zipWithIndexes;
2）加入原始数据；
3）保存编码数据；

这项工作大约需要10分钟才能完成。

Spark - 将字符串ID转换为唯一的整数ID

2 个答案: