[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 (k1,k2)
中pairs
可以保证k1 <= k2
|pairs| = O(|data|)
的大小的常量 |pairs| = O(|data|)
|data| ~ 10^8, |pairs| ~ 10^10
|data| ~ 10^8, |pairs| ~ 10^10
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。 文档说如果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......
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.