在 Spark 中为每个 Executor 创建数组并组合成 RDD

Question

我正在从基于 MPI 的系统转向 Apache Spark。我需要在 Spark 中执行以下操作。

假设我有 n 个顶点。我想从这些 n 个顶点创建一个边列表。边只是两个整数 (u,v) 的元组，不需要任何属性。

但是，我想在每个执行器中独立地并行创建它们。因此，我想为 P 个 Spark Executors 独立创建 P 个边数组。每个数组可能有不同的大小并且取决于顶点，因此，我还需要从 0 到 n-1 的执行器 ID。接下来，我想要一个全局 RDD 边数组。

在 MPI 中，我会使用处理器级别在每个处理器中创建一个数组。我如何在 Spark 中做到这一点，尤其是使用 GraphX 库？

因此，我的主要目标是在每个执行器中创建一个边数组，并将它们组合成一个 RDD。

我首先尝试的是鄂尔多斯的一种改良版——人一模型。作为参数，我只有节点数 n 和概率 p。

假设，执行器i 必须处理从101 到200 的节点。对于任何节点，比如节点 101，它将以概率 p 创建从 101 到 102 -- n 的边。在每个执行程序创建分配的边之后，我将实例化 GraphX EdgeRDD 和 VertexRDD。因此，我的计划是在每个执行器中独立创建边缘列表，并将它们合并到 RDD.

Answer 1

让我们从下游处理所需的一些导入和变量开始：

import org.apache.spark._
import org.apache.spark.graphx._
import org.apache.spark.rdd.RDD
import scala.util.Random
import org.apache.spark.HashPartitioner

val nPartitions: Integer = ???
val n: Long = ??? 
val p: Double = ???

接下来我们需要一个种子 ID 的 RDD，它可以用来生成边。处理这个问题的一种天真的方法就是这样：

sc.parallelize(0L to n)

由于生成的边数取决于节点 ID，因此这种方法会产生高度倾斜的负载。我们可以通过重新分区做得更好：

sc.parallelize(0L to n)
  .map((_, None))
  .partitionBy(new HashPartitioner(nPartitions))
  .keys

但更好的方法是从空 RDD 开始并就地生成 ID。我们需要一个小帮手：

def genNodeIds(nPartitions: Int, n: Long)(i: Int) = {
  (0L until n).filter(_ % nPartitions == i).toIterator
}

可以如下使用：

val empty = sc.parallelize(Seq.empty[Int], nPartitions)
val ids = empty.mapPartitionsWithIndex((i, _) => genNodeIds(nPartitions, n)(i))

只是一个快速的健全性检查（它非常昂贵，所以不要在生产中使用它）：

require(ids.distinct.count == n)

我们可以使用另一个助手生成实际的边缘：

def genEdgesForId(p: Double, n: Long, random: Random)(i: Long) = {
  (i + 1 until n).filter(_ => random.nextDouble < p).map(j => Edge(i, j, ()))
}

def genEdgesForPartition(iter: Iterator[Long]) = {
  // It could be an overkill but better safe than sorry
  // Depending on your requirement it could worth to
  // consider using commons-math
  // https://commons.apache.org/proper/commons-math/userguide/random.html
  val random = new Random(new java.security.SecureRandom())
  iter.flatMap(genEdgesForId(p, n, random))
}

val edges = ids.mapPartitions(genEdgesForPartition)

终于可以创建图表了：

val graph = Graph.fromEdges(edges, ())

在 Spark 中为每个 Executor 创建数组并组合成 RDD

Creating array per Executor in Spark and combine into RDD

scala

apache-spark

spark-graphx