是否可以在Apache Spark中创建嵌套的RDD？

Question

我正在尝试在Spark中实现K最近邻算法。我想知道是否可以使用嵌套的RDD＆＃39; s。这将使我的生活更轻松。请考虑以下代码段。

public static void main (String[] args){
//blah blah code
JavaRDD<Double> temp1 = testData.map(
    new Function<Vector,Double>(){
        public Double call(final Vector z) throws Exception{
            JavaRDD<Double> temp2 = trainData.map(
                    new Function<Vector, Double>() {
                        public Double call(Vector vector) throws Exception {
                            return (double) vector.length();
                        }
                    }
            );
            return (double)z.length();
        }    
    }
);
}

目前我收到这个嵌套设置的错误（我可以在这里发布完整的日志）。是否允许在拳头位置？感谢

Answer 1

不，这是不可能的，因为RDD的项目必须是可序列化的，并且RDD不可序列化。这是有道理的，否则你可能会通过网络传输一个完整的RDD，如果它包含大量数据，这是一个问题。如果它不包含大量数据，您可能会使用数组或类似的数据。

但是，我不知道你是如何实现K最近的邻居...但要小心：如果你做一些事情，比如计算每一点之间的距离，实际上这在数据集大小上是不可扩展的，因为它是O（n2）。

Answer 2

我在尝试这种事情时遇到了nullpointer异常。因为我们无法对RDD中的RDD执行操作。

Spark不支持嵌套RDD，原因是 - 执行操作或创建新的RDD spark运行时需要访问只在驱动程序机器中可用的sparkcontext对象。

因此，如果您想对嵌套的RDD进行操作，您可以在驱动程序节点上收集父RDD，然后使用数组或其他东西迭代它的项目。

注意： - RDD类是可序列化的。请参阅下文。