Apache Spark的RDD [Vector]不变性问题

Question

我知道RDD是不可变的，因此不能更改其值，但是我看到以下行为：

我为FuzzyCMeans（ https://github.com/salexln/FinalProject_FCM ）算法编写了一个实现，现在我正在对其进行测试，因此我运行以下示例：

import org.apache.spark.mllib.clustering.FuzzyCMeans
import org.apache.spark.mllib.linalg.Vectors

val data = sc.textFile("/home/development/myPrjects/R/butterfly/butterfly.txt")
val parsedData = data.map(s => Vectors.dense(s.split(' ').map(_.toDouble))).cache()
> parsedData: org.apache.spark.rdd.RDD[org.apache.spark.mllib.linalg.Vector] = MapPartitionsRDD[2] at map at <console>:31

val numClusters = 2
val numIterations = 20


parsedData.foreach{ point => println(point) }
> [0.0,-8.0]
[-3.0,-2.0]
[-3.0,0.0]
[-3.0,2.0]
[-2.0,-1.0]
[-2.0,0.0]
[-2.0,1.0]
[-1.0,0.0]
[0.0,0.0]
[1.0,0.0]
[2.0,-1.0]
[2.0,0.0]
[2.0,1.0]
[3.0,-2.0]
[3.0,0.0]
[3.0,2.0]
[0.0,8.0] 

val clusters = FuzzyCMeans.train(parsedData, numClusters, numIteration
parsedData.foreach{ point => println(point) }
> 
[0.0,-0.4803333185624595]
[-0.1811743096972924,-0.12078287313152826]
[-0.06638890786148487,0.0]
[-0.04005925925925929,0.02670617283950619]
[-0.12193263222069807,-0.060966316110349035]
[-0.0512,0.0]
[NaN,NaN]
[-0.049382716049382706,0.0]
[NaN,NaN]
[0.006830134553650707,0.0]
[0.05120000000000002,-0.02560000000000001]
[0.04755220304297078,0.0]
[0.06581619798335057,0.03290809899167529]
[0.12010867103812725,-0.0800724473587515]
[0.10946638900458144,0.0]
[0.14814814814814817,0.09876543209876545]
[0.0,0.49119985188436205] 

但是我的方法如何更改不可变RDD？

BTW，火车方法的签名，如下所示：

火车（数据：RDD [Vector]，簇：Int，maxIterations：Int）

Answer 1

您所做的工作在docs中进行了精确描述：

RDD的打印元素

另一个常见用法是尝试使用rdd.foreach（println）或rdd.map（println）打印出RDD的元素。 在单台机器上，这将生成预期的输出并打印所有RDD的元素。 但是，在集群模式下，执行者正在调用stdout的输出现在正在写入执行者的stdout，而不是驱动程序上的那个，因此驱动程序上的stdout不会显示这些内容！ 要在驱动程序上打印所有元素，可以使用collect（）方法首先将RDD带到驱动程序节点：rdd.collect（）。foreach（println）。 但是，这可能会导致驱动程序用尽内存，因为collect（）将整个RDD提取到一台计算机上。 如果只需要打印RDD的一些元素，则更安全的方法是使用take（）：rdd.take（100）.foreach（println）。

因此，由于数据可以在节点之间迁移，因此不能保证foreach的相同输出。 RDD是不可变的，但是您应该以适当的方式提取数据，因为您的节点上没有整个RDD。

---

另一个可能的问题（而不是在你的情况为你使用一个不变的向量）使用可变数据里面Point iself，这是完全不正确，那么你会失去一切保障-在RDD本身仍然会成为不可改变但是。

Answer 2

为了使RDD完全不可变，其内容也应该不可变：

scala> val m = Array.fill(2, 2)(0)
m: Array[Array[Int]] = Array(Array(0, 0), Array(0, 0))

scala> val rdd = sc.parallelize(m)
rdd: org.apache.spark.rdd.RDD[Array[Int]] = ParallelCollectionRDD[1]
at parallelize at <console>:23

scala> rdd.collect()
res6: Array[Array[Int]] = Array(Array(0, 0), Array(0, 0))

scala> m(0)(1) = 2

scala> rdd.collect()
res8: Array[Array[Int]] = Array(Array(0, 2), Array(0, 0)) 

所以因为Array是可变的，所以我可以更改它，因此RDD已用新数据更新