Question

我知道RDD是不可变的，因此它们的值无法改变，但我看到以下行为：

我为FuzzyCMeans（https://github.com/salexln/FinalProject_FCM）算法编写了一个实现，现在我正在测试它，所以我运行以下示例：

import org.apache.spark.mllib.clustering.FuzzyCMeans
import org.apache.spark.mllib.linalg.Vectors

val data = sc.textFile("/home/development/myPrjects/R/butterfly/butterfly.txt")
val parsedData = data.map(s => Vectors.dense(s.split(' ').map(_.toDouble))).cache()
> parsedData: org.apache.spark.rdd.RDD[org.apache.spark.mllib.linalg.Vector] = MapPartitionsRDD[2] at map at <console>:31

val numClusters = 2
val numIterations = 20


parsedData.foreach{ point => println(point) }
> [0.0,-8.0]
[-3.0,-2.0]
[-3.0,0.0]
[-3.0,2.0]
[-2.0,-1.0]
[-2.0,0.0]
[-2.0,1.0]
[-1.0,0.0]
[0.0,0.0]
[1.0,0.0]
[2.0,-1.0]
[2.0,0.0]
[2.0,1.0]
[3.0,-2.0]
[3.0,0.0]
[3.0,2.0]
[0.0,8.0] 

val clusters = FuzzyCMeans.train(parsedData, numClusters, numIteration
parsedData.foreach{ point => println(point) }
> 
[0.0,-0.4803333185624595]
[-0.1811743096972924,-0.12078287313152826]
[-0.06638890786148487,0.0]
[-0.04005925925925929,0.02670617283950619]
[-0.12193263222069807,-0.060966316110349035]
[-0.0512,0.0]
[NaN,NaN]
[-0.049382716049382706,0.0]
[NaN,NaN]
[0.006830134553650707,0.0]
[0.05120000000000002,-0.02560000000000001]
[0.04755220304297078,0.0]
[0.06581619798335057,0.03290809899167529]
[0.12010867103812725,-0.0800724473587515]
[0.10946638900458144,0.0]
[0.14814814814814817,0.09876543209876545]
[0.0,0.49119985188436205]

但是，这怎么可能是我的方法改变了不可变的RDD？

BTW，列车方法的签名如下：

train（数据：RDD [Vector]，clusters：Int，maxIterations：Int）

Answer 1

您正在做的事情在the docs：

中有详细描述

打印RDD的元素

另一种常见习语是试图打印出RDD的元素   使用rdd.foreach（println）或rdd.map（println）。在一台机器上   这将生成预期的输出并打印所有RDD   元素。但是，在集群模式下，调用stdout的输出   执行者现在正在写执行者的标准，而不是   关于驱动程序的那个，所以驱动程序上的stdout不会显示这些！至   打印驱动程序上的所有元素，可以使用collect（）方法   首先将RDD带到驱动程序节点：   rdd.collect（）。的foreach（的println）。这可能会导致驱动程序耗尽   但是，因为collect（）将整个RDD提取到a   单机;如果你只需要打印一些RDD元素，a   更安全的方法是使用take（）：rdd.take（100）.foreach（println）。

因此，由于数据可以在节点之间迁移，因此无法保证foreach的相同输出。 RDD是不可变的，但您应该以适当的方式提取数据，因为您没有在您的节点上拥有整个RDD。

另一个可能的问题（在您使用不可变向量时不是这种情况）在Point iself中使用可变数据，这是完全错误的，因此您将失去所有保证 - RDD本身仍然是不可改变的。

Answer 2

为了使RDD完全不可变，其内容也应该是不可变的：

scala> val m = Array.fill(2, 2)(0)
m: Array[Array[Int]] = Array(Array(0, 0), Array(0, 0))

scala> val rdd = sc.parallelize(m)
rdd: org.apache.spark.rdd.RDD[Array[Int]] = ParallelCollectionRDD[1]
at parallelize at <console>:23

scala> rdd.collect()
res6: Array[Array[Int]] = Array(Array(0, 0), Array(0, 0))

scala> m(0)(1) = 2

scala> rdd.collect()
res8: Array[Array[Int]] = Array(Array(0, 2), Array(0, 0))

因为数组是可变的，我可以改变它，因此RDD用新数据更新

Apache Spark的RDD [Vector]不变性问题

2 个答案: