使用 Spark 的 MapReduce 调用不同的函数并聚合

Question

我对 spark 非常不熟悉，但我很确定有一种好方法可以比我目前做的更快地做我想做的事情。

本质上，我有一个 S3 存储桶，其中包含大量 JSON 的 Twitter 数据。 我想浏览所有这些文件，从 JSON 中获取文本，对文本进行情感分析（目前使用斯坦福 NLP），然后将 Tweet + Sentiment 上传到数据库（现在我正在使用 dynamo，但是这个不是成败）

我目前拥有的代码是

        /**
         * Per thread:
         * 1. Download a file
         * 2. Do sentiment on the file -> output Map<String, List<Float>>
         * 3. Upload to Dynamo: (a) sentiment (b) number of tweets (c) timestamp
         *
         */

        List<String> keys = s3Connection.getKeys();

        ThreadPoolExecutor threads = new ThreadPoolExecutor(40, 40, 10000, TimeUnit.MILLISECONDS, new ArrayBlockingQueue<>(10));
        threads.setRejectedExecutionHandler(new ThreadPoolExecutor.CallerRunsPolicy());

        for (String key : keys) {
                threads.submit(new Thread(() -> {
                    try {
                        S3Object s3Object = s3Connection.getObject(key);
                        Map<String, List<Float>> listOfTweetsWithSentiment = tweetSentimentService.getTweetsFromJsonFile(s3Object.getObjectContent());
                        List<AggregatedTweets> aggregatedTweets = tweetSentimentService.createAggregatedTweetsFromMap(listOfTweetsWithSentiment, key);

                        for (AggregatedTweets aggregatedTweet : aggregatedTweets) {
                            System.out.println(aggregatedTweet);
                            tweetDao.putItem(aggregatedTweet);
                        }
                    } catch (Exception e) {
                        System.out.println(e.getMessage());
                    }
                }));
        }

这有效并且很好。 我能够通过在某些日期范围内运行此代码（即 getKeys 仅获取某些日期范围的密钥）并在不同的 EC2 上运行此过程的许多实例，每个实例都作用于不同的日期范围。

然而，必须有一种更快的方法来使用一个好的 ole map-reduce 来做到这一点，但我只是不知道如何开始研究这个。 是否可以在我的地图中进行情绪分析，然后根据时间戳减少？

此外，我正在考虑使用 AWS Glue，但我没有看到在那里使用斯坦福 NLP 库的好方法。

任何和所有的帮助将不胜感激。

Answer 1

是的，您可以使用 Apache Spark 做到这一点。 有很多方法可以设计您的应用程序、配置基础设施等。我提出一个简单的设计：

1. 您在 AWS 上，因此使用 Spark 创建 EMR 集群。 包含 Zeppelin 进行交互式调试会很有用。

2. Spark 使用多种数据抽象。 您的朋友是 RDD 和数据集（阅读有关它们的文档）。 读取数据到 Datasets 的代码可能是一样的：

    SparkSession ss = SparkSession.builder().getOrCreate(); Dataset<Row> dataset = ss.read("s3a://your_bucket/your_path");

3. 现在你有一个Dataset<Row> 。 这对于类似 SQL 的操作很有用。 为了您的分析，您需要将其转换为 Spark RDD：

    JavaRDD<Tweet> analyticRdd = dataset.toJavaRDD().map(row -> { return TweetsFactory.tweetFromRow(row); });

4. 因此，使用analyticRdd您可以做您的分析人员。 只是不要忘记使所有使用数据的服务都可序列化。