它对火花RDD联盟来说非常缓慢

Question

我有2个spark RDD，dataRDD和newPairDataRDD，它们用于spark SQL查询。 当我的应用程序初始化时，dataRDD将被初始化。 一个指定的hbase实体中的所有数据都将存储到dataRDD。

当客户端的SQL查询到来时，我的APP将获得所有新的更新并插入newPairDataRDD。 dataRDD联合newPairDataRDD并在spark SQL上下文中注册为表。

我在dataRDD中找到了0条记录，在newPairDataRDD中找到了1条新的插入记录。 工会需要4秒钟。 那太慢了

我认为这是不合理的。 谁知道怎么做得更快？ 谢谢简单的代码如下

    // Step1: load all data from hbase to dataRDD when initial, this only run once. 
    JavaPairRDD<String, Row>  dataRDD= getAllBaseDataToJavaRDD();
    dataRDD.cache();
    dataRDD.persist(StorageLevel.MEMORY_ONLY());
    logger.info(dataRDD.count());

    // Step2: when spark sql query coming, load latest updated and inserted data from db to newPairDataRDD

    JavaPairRDD<String, Row> newPairDataRDD = getUpdateOrInstertBaseDataToJavaRDD();
    // Step3: if count>0 do union and reduce

       if(newPairDataRDD.count() > 0) {

        JavaPairRDD<String, Row> unionedRDD =dataRDD.union(newPairDataRDD);

    // if data was updated in DB, need to delete the old version from the dataRDD.

        dataRDD = unionedRDD.reduceByKey(
            new Function2<Row, Row, Row>() {
            // @Override
            public Row call(Row r1, Row r2) {
             return r2;
             }
            });
    }
//step4: register the dataRDD
JavaSchemaRDD schemaRDD = sqlContext.applySchema(dataRDD..values(), schema);

//step5: execute sql query
retRDD = sqlContext.sql(sql);
List<org.apache.spark.sql.api.java.Row> rows = retRDD.collect();

从火花web ui，我可以在下面看到。 显然它需要4s才能结合

完成阶段（8）

StageId描述提交的持续时间任务：成功/总输入随机读取随机写入

6收集于SparkPlan.scala：85 +详情2015年4月4日8:17 2 s 8-Aug 156.0 B.

7联盟SparkSqlQueryForMarsNew.java:389+details 1/4/2015 8:17 4 s 8-Aug 64.0 B 156.0 B

Answer 1

实现所需的更有效方法是使用flatMapValues() cogroup()和flatMapValues() ，除了向dataRDD添加新分区外，使用union几乎没有，这意味着必须在reduceByKey()之前对所有数据进行混洗。 flatMapValues() cogroup()和flatMapValues()将仅导致newPairDataRDD重新分区。

JavaPairRDD<String, Tuple2<List<Row>, List<Row>>> unionedRDD = dataRDD.cogroup(newPairDataRDD);
JavaPairRDD<String, Row> updated = unionedRDD.flatMapValues(
    new Function<Tuple2<List<Row>, List<Row>>, Iterable<Row>>() {
        public Iterable<Row> call(Tuple2<List<Row>, List<Row>> grouped) {
            if (grouped._2.nonEmpty()) {
                return grouped._2;
            } else {
                return grouped._1;
            }
        }
    });

或者在斯卡拉

val unioned = dataRDD.cogroup(newPairDataRDD)
val updated = unioned.flatMapValues { case (oldVals, newVals) =>
    if (newVals.nonEmpty) newVals else oldVals
}

免责声明，我不习惯用Java编写火花！ 如果以上错误，请有人纠正我！

Answer 2

尝试重新分区您的RDD：

JavaPairRDD unionedRDD = dataRDD.repartition（sc.defaultParallelism * 3）.union（newPairDataRDD.repartition（sc.defaultParallelism * 3））;