[英]Large list FlatMap Java Spark
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
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());
}
});
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
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.