Question

我有'inRDD'格式的RDD[(Vector[(Int, Byte)], Vector[(Int, Byte)])]，PairRDD(key,value)，其中密钥为Vector[(Int, Byte)]，值为Vector[(Int, Byte)]。

对于关键字段向量中的每个元素(Int, Byte)，以及值字段向量中的每个元素(Int, Byte)，我想在输出RDD中获得一个新的（键，值）对作为(Int, Int), (Byte, Byte)。

这应该给我一个RDD[((Int, Int), (Byte, Byte))]形式的RDD。

例如，inRDD内容可能类似，

(Vector((3,2)),Vector((4,2))), (Vector((2,3), (3,3)),Vector((3,1))), (Vector((1,3)),Vector((2,1))), (Vector((1,2)),Vector((2,2), (1,2)))

将成为

((3,4),(2,2)), ((2,3),(3,1)), ((3,3),(3,1)), ((1,2),(3,1)), ((1,2),(2,2)), ((1,1),(2,2))

我有以下代码。

val outRDD = inRDD.flatMap {                                        
    case (left, right) =>
    for ((ll, li) <- left; (rl, ri) <- right) yield {
        (ll,rl) -> (li,ri)
    }
}

当inRDD中的向量很小时，它可以正常工作。但是当向量中有很多元素时，我得到out of memory exception。增加可用内存火花只能解决较小的输入，并且对于更大的输入再次出现错误。看起来我正试图在内存中组装一个巨大的结构。我无法以任何其他方式重写此代码。

我已经使用java in hadoop实现了类似的逻辑，如下所示。

for (String fromValue : fromAssetVals) {
    fromEntity = fromValue.split(":")[0];
    fromAttr = fromValue.split(":")[1];
    for (String toValue : toAssetVals) {
        toEntity = toValue.split(":")[0];
        toAttr = toValue.split(":")[1];
        oKey = new Text(fromEntity.trim() + ":" + toEntity.trim());
        oValue = new Text(fromAttr + ":" + toAttr);
        outputCollector.collect(oKey, oValue);
    }
}

但是当我在spark中尝试类似的东西时，我会得到嵌套的rdd异常。

如何使用spark using scala高效执行此操作？

Answer 1

好吧，如果笛卡尔产品是唯一的选择，你至少可以让它变得更加懒惰：

inRDD.flatMap { case (xs, ys) =>
  xs.toIterator.flatMap(x => ys.toIterator.map(y => (x, y)))
}

您也可以在Spark级别处理此问题

import org.apache.spark.RangePartitioner

val indexed = inRDD.zipWithUniqueId.map(_.swap)
val partitioner = new RangePartitioner(indexed.partitions.size, indexed)
val partitioned = indexed.partitionBy(partitioner)

val lefts = partitioned.flatMapValues(_._1)
val rights = partitioned.flatMapValues(_._2)

lefts.join(rights).values

太多的映射键导致spark中的内存不足异常

1 个答案: