我读到reducebyKey
是大型数据集上更好的选项,可以减少数据的混乱,从而提高性能。
我正在尝试转换我对groupByKey
的使用。首先,必须将其转换为rdd:
val linksNew = links.map(convertToRelationship)
.flatMap(bidirRelationship)
links是数据集,数据集api没有reduceByKey
。使用.groupByKey(_._1)
时,reduceByKey
相当于什么?
val linksfinal = linksNew.rdd.reduceByKey(???)
实际代码:
val biLinks = links
.map(convertToRelationship)
.flatMap(bidirRelationship)
.groupByKey(_._1)
.reduceGroups((left, right) => combineBidirerRelationships(left,right))
.map(_._2._2)
数据集的模式,就在使用groupByKey(_._1)
:
数据集中的一些实际数据:
答案 0 :(得分:1)
不确定它是否更有效,但是,由于您在reduceByKey
之后直接执行reduceGroups
,因此应该可以转换为groupByKey
。使用部分提供的代码的简短示例:
val biLinks = links
.map(convertToRelationship)
.flatMap(bidirRelationship)
.rdd
.map{row => (row.getAs[String](0), row.getAs[Relationship](1))} // See explanation below
.reduceByKey((left, right) => combineBidirerRelationships(left, right))
.map(_._2._2)
根据使用.rdd
后数据框的显示方式,可能需要进行额外的转换。从数据帧转换时,生成的rdd将为RDD[Row]
。但是,要使reduceByKey()
工作,需要RDD[(A,B)]
类型的元组rdd,其中A
和B
是类型(它们也可以是元组本身)。
rdd.map(...)
转换如何与structs
一起使用的简短示例:
case class Relationship(a: Long, b: Long)
val df = spark.createDataFrame(Seq((1, Relationship(3L, 2L)), (2, Relationship(20L, 7L)))).toDF()
val rdd = df.rdd.map{ row => (row.getAs[String](0), row.getAs[Relationship](1))}
这将提供所需的元组rdd类型,此处为RDD[(String, Relationship)]
。
答案 1 :(得分:1)
我读到,对于大型数据集,reducebyKey是一个更好的选项,可以减少在减少方面的随机和/或混洗,并提高性能。
不是。你在混淆“旧的”RDD API,其中groupByKey
具有不同的语义。
在Dataset
API中,groupByKey
+ reduceGroups
在旧API中使用与reduceByKey
类似的执行模型。事实上,转换为RDD使用效率较低的shuffle机制并且成本非常高,所以你只是让它变得更糟。