Question

所以，我有以下数据，

[ (1, data1), (1, data2), (2, data3), (1, data4), (2, data5) ]

我想转换为以下内容，以便进一步处理。

[ (1, [data1, data2, data4]), (2, [data3, data5]) ]

我使用了groupByKey和reduceByKey，但由于数据量非常大而失败。数据不高但宽。换句话说，键从1到10000，但是，值列表的范围从100k到900k。

我正在努力解决此问题并计划应用mapPartitions或(Hash)partitioner。

所以，如果其中一个可行，我想知道

使用mapPartions，您能否提供一些代码段？
使用(Hash)partitioner，请举例说明如何通过键之类的元素来控制分区。有没有办法基于密钥（即1,2，...以上）创建每个分区，而无需随机播放。

Exception in thread "main" org.apache.spark.SparkException: Job aborted due to stage failure: ShuffleMapStage 9 (flatMap at TSUMLR.scala:209) has failed the maximum allowable number of times: 4. Most recent failure reason: org.apache.spark.shuffle.MetadataFetchFailedException: Missing an output location for shuffle 1
        at org.apache.spark.MapOutputTracker$$anonfun$org$apache$spark$MapOutputTracker$$convertMapStatuses$2.apply(MapOutputTracker.scala:542)
        at org.apache.spark.MapOutputTracker$$anonfun$org$apache$spark$MapOutputTracker$$convertMapStatuses$2.apply(MapOutputTracker.scala:538)
        at scala.collection.TraversableLike$WithFilter$$anonfun$foreach$1.apply(TraversableLike.scala:772)
        at scala.collection.IndexedSeqOptimized$class.foreach(IndexedSeqOptimized.scala:33)
        at scala.collection.mutable.ArrayOps$ofRef.foreach(ArrayOps.scala:108)
        at scala.collection.TraversableLike$WithFilter.foreach(TraversableLike.scala:771)
        at org.apache.spark.MapOutputTracker$.org$apache$spark$MapOutputTracker$$convertMapStatuses(MapOutputTracker.scala:538)
        at org.apache.spark.MapOutputTracker.getMapSizesByExecutorId(MapOutputTracker.scala:155)
        at org.apache.spark.shuffle.BlockStoreShuffleReader.read(BlockStoreShuffleReader.scala:47)
        at org.apache.spark.rdd.ShuffledRDD.compute(ShuffledRDD.scala:98)
        at org.apache.spark.rdd.RDD.computeOrReadCheckpoint(RDD.scala:306)
        at org.apache.spark.rdd.RDD.iterator(RDD.scala:270)
        at org.apache.spark.rdd.MapPartitionsRDD.compute(MapPartitionsRDD.scala:38)
        at org.apache.spark.rdd.RDD.computeOrReadCheckpoint(RDD.scala:306)
        at org.apache.spark.rdd.RDD.iterator(RDD.scala:270)
        at org.apache.spark.scheduler.ShuffleMapTask.runTask(ShuffleMapTask.scala:73)
        at org.apache.spark.scheduler.ShuffleMapTask.runTask(ShuffleMapTask.scala:41)
        at org.apache.spark.scheduler.Task.run(Task.scala:89)
        at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:213)
        at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1145)
        at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:615)
        at java.lang.Thread.run(Thread.java:745)

Answer 1

所提议的方法都不起作用。根据定义，分区程序必须对数据进行洗牌，并且会受到与groupByKey相同的限制。 mapPartitions无法将数据移动到另一个分区，因此它完全没用。由于您对问题的描述相当模糊，很难给出具体建议，但一般情况下我会尝试以下步骤：

尝试重新思考这个问题。你真的需要所有的价值吗？你打算如何利用这些？如果不收集到一个分区，你能获得相同的结果吗？
是否可以减少流量？您期望有多少独特的价值？是否可以在shuffle之前压缩数据（例如计数值或使用RLE）？
考虑使用更大的执行者。 Spark必须仅在内存中保留单个密钥的值，并且可以将已处理的密钥溢出到磁盘。

按键拆分数据：

val keys =  rdd.keys.distinct.collect
val rdds = keys.map(k => rdd.filter(_._1 == k))

并单独处理每个RDD。

使用Spark中的mapPartitions或分区器按密钥进行高效分组

1 个答案: