[英]Apache Spark RDD - not updating
我创建了一个包含Vector的PairRDD。
var newRDD = oldRDD.mapValues(listOfItemsAndRatings => Vector(Array.fill(2){math.random}))
稍后我更新了RDD:
newRDD.lookup(ratingObject.user)(0) += 0.2 * (errorRate(rating) * myVector)
但是,虽然它输出了更新的Vector(如控制台中所示),但当我下次调用newRDD
我可以看到Vector值已更改。 通过测试我得出结论,它已经改为math.random
给出的东西 - 因为每次我调用newRDD
Vector都会改变。 我知道有一个谱系图,也许这与它有关。 我需要将RDD中保存的Vector更新为新值,我需要重复执行此操作。
谢谢。
RDD是不可变的结构,旨在通过集群分发对数据的操作。 在您观察到的行为中有两个元素发挥作用:
可以每次计算RDD谱系。 在这种情况下,这意味着对newRDD的操作可能会触发沿袭计算,因此应用Vector(Array.fill(2){math.random})
转换并每次生成新值。 可以使用cache
来破坏谱系,在这种情况下,转换的值将在第一次应用后保留在内存和/或磁盘中。 这导致:
val randomVectorRDD = oldRDD.mapValues(listOfItemsAndRatings => Vector(Array.fill(2){math.random}))
randomVectorRDD.cache()
需要进一步考虑的第二个方面是现场突变:
newRDD.lookup(ratingObject.user)(0) += 0.2 * (errorRate(rating) * myVector)
虽然这可能适用于单个计算机,因为所有Vector引用都是本地的,但它不会扩展到集群,因为查找引用将被序列化并且不会保留突变。 因此,它存在为何使用Spark的问题。
要在Spark上实现,该算法需要重新设计才能用转换表示,而不是准时查找/突变。
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.