繁体   English   中英

Spark:对RDD中的高效质量查找

[英]Spark: Efficient mass lookup in pair RDD's

在Apache Spark中我有两个RDD。 第一个data : RDD[(K,V)]包含键值形式的数据。 第二pairs : RDD[(K,K)]包含一组有趣的数据密钥对。

如何有效地构造RDD对与pairsWithData : RDD[((K,K)),(V,V))] ,使得它包含来自pairs所有元素作为键元组及其对应的值(来自data )as价值元组?

数据的一些属性:

  • data中的键是唯一的
  • pairs所有条目都是唯一的
  • 对于所有对(k1,k2)pairs可以保证k1 <= k2
  • “对”的大小只是数据|pairs| = O(|data|)的大小的常量 |pairs| = O(|data|)
  • 当前数据大小(预计会增长): |data| ~ 10^8, |pairs| ~ 10^10 |data| ~ 10^8, |pairs| ~ 10^10

目前的尝试

以下是Scala中的一些示例代码:

import org.apache.spark.rdd.RDD
import org.apache.spark.SparkContext._

// This kind of show the idea, but fails at runtime.
def massPairLookup1(keyPairs : RDD[(Int, Int)], data : RDD[(Int, String)]) = {
  keyPairs map {case (k1,k2) =>
    val v1 : String = data lookup k1 head;
    val v2 : String = data lookup k2 head;
    ((k1, k2), (v1,v2))
  }
}

// Works but is O(|data|^2)
def massPairLookup2(keyPairs : RDD[(Int, Int)], data : RDD[(Int, String)]) = {
  // Construct all possible pairs of values
  val cartesianData = data cartesian data map {case((k1,v1),(k2,v2)) => ((k1,k2),(v1,v2))}
  // Select only the values who's keys are in keyPairs
  keyPairs map {(_,0)} join cartesianData mapValues {_._2}
}

// Example function that find pairs of keys
// Runs in O(|data|) in real life, but cannot maintain the values
def relevantPairs(data : RDD[(Int, String)]) = {
  val keys = data map (_._1)
  keys cartesian keys filter {case (x,y) => x*y == 12 && x < y}
}

// Example run
val data = sc parallelize(1 to 12) map (x => (x, "Number " + x))
val pairs = relevantPairs(data)
val pairsWithData = massPairLookup2(pairs, data) 


// Print: 
// ((1,12),(Number1,Number12))
// ((2,6),(Number2,Number6))
// ((3,4),(Number3,Number4))
pairsWithData.foreach(println)

尝试1

首先,我尝试在data上使用lookup函数,但在执行时会抛出运行时错误。 好像self是在空PairRDDFunctions特征。

另外我不确定lookup的性能。 文档如果RDD通过仅搜索键映射到的分区而具有已知分区器,则此操作有效地完成。 这听起来像n查找最多需要O(n * |分区|)时间,我怀疑可以优化。

尝试2

这种尝试有效,但我创建了|data|^2对会破坏性能。 我不希望Spark能够优化它。

您的查找1不起作用,因为您无法在工作者内部执行RDD转换(在另一个转换中)。

在查找2中,我认为没有必要执行完整的笛卡尔...

你可以这样做:

val firstjoin = pairs.map({case (k1,k2) => (k1, (k1,k2))})
    .join(data)
    .map({case (_, ((k1, k2), v1)) => ((k1, k2), v1)})
val result = firstjoin.map({case ((k1,k2),v1) => (k2, ((k1,k2),v1))})
    .join(data)
    .map({case(_, (((k1,k2), v1), v2))=>((k1, k2), (v1, v2))})

或者以更密集的形式:

    val firstjoin = pairs.map(x => (x._1, x)).join(data).map(_._2)
    val result = firstjoin.map({case (x,y) => (x._2, (x,y))})
        .join(data).map({case(x, (y, z))=>(y._1, (y._2, z))})

我认为你不能更有效地做到这一点,但我可能错了......

暂无
暂无

声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.

 
粤ICP备18138465号  © 2020-2024 STACKOOM.COM