大清单FlatMap Java Spark

Question

我在JavaPairRDD<Integer, List<String>>有一个很大的列表，我想做一个flatMap来获取列表条目的所有可能组合，这样我最终得到JavaPairRDD<Integer, Tuple2<String,String>> 。 基本上如果我有类似的东西

(1, ["A", "B", "C"])

我想得到：

(1, <"A","B">) (1, <"A", "C">) (1, <"B", "C")

问题在于大型列表，因为我所做的是通过在输入列表上嵌套循环来创建大型Tuple2对象列表。 有时这个列表不适合内存。 我发现了这一点，但不确定如何在Java中实现它： Spark FlatMap函数用于巨大的列表

Answer 1

您可能希望对列表进行flatMap ，然后在过滤相等值之前将RDD到自身：

JavaPairRDD<Integer, List<String>> original = // ...
JavaPairRDD<Integer, String> flattened = original.flatMapValues(identity());
JavaPairRDD<Integer, Tuple2<String, String>> joined = flattened.join(flattened);
JavaPairRDD<Integer, Tuple2<String, String>> filtered = 
    joined.filter(new Function<Tuple2<Integer, Tuple2<String, String>>, Boolean> () {
        @Override
        public Boolean call(Tuple2<Integer, Tuple2<String, String>> kv) throws Exception {
            return kv._2()._1().equals(kv._2()._2());
        }
    });

Answer 2

取决于你的数据集有多大，在我的工作中它通常需要处理100-200GB数据集使用FlatMap和flatMapToPair两者都适用于高密集计算。 以下示例

JavaPairRDD<Integer, List<String>>= DatasetsRDD.
    .flatMapToPair(x->{
    return xx;
    });

此外，如果您的数据集很大，您可以尝试使用spark persistance to disk

Storage Level   

    MEMORY_ONLY
    MEMORY_ONLY_SER 
    MEMORY_AND_DISK_SER 
    DISK_ONLY
    MEMORY_ONLY_2

References: https://spark.apache.org/docs/latest/rdd-programming-guide.html