计算 RDD 中的行数

Question

我在 java 中使用 spark，我有一个 500 万行的 RDD。有没有一种解决方案可以让我计算我的 RDD 的行数。我试过 RDD.count() 但这需要很多时间。我已经看到我可以使用函数 fold。但是我没有找到此功能的 java 文档。你能告诉我如何使用它或告诉我另一种解决方案来获取我的 RDD 的行数吗？

这是我的代码：

JavaPairRDD<String, String> lines = getAllCustomers(sc).cache();
JavaPairRDD<String,String> CFIDNotNull = lines.filter(notNull()).cache();
JavaPairRDD<String, Tuple2<String, String>> join =lines.join(CFIDNotNull).cache();

double count_ctid = (double)join.count(); // i want to get the count of these three RDD
double all = (double)lines.count();
double count_cfid = all - CFIDNotNull.count();
System.out.println("********** :"+count_cfid*100/all +"% and now : "+ count_ctid*100/all+"%");

谢谢。

Answer 1

您的想法是正确的：使用 rdd.count() 来计算行数。没有更快的方法。

我想你应该问的问题是 为什么 rdd.count() 这么慢？

答案是 rdd.count() 是一个 "action" — 这是一个急切的操作，因为它必须 return 一个实际数字。您在 count() 之前执行的 RDD 操作是 "transformations" — 它们懒惰地将一个 RDD 转换为另一个。实际上，转换并没有真正执行，只是排队。当您调用 count() 时，您强制执行所有先前的惰性操作。现在需要加载输入文件，执行 map()s 和 filter()s，执行随机播放等，直到我们最终获得数据并可以说出它有多少行。

请注意，如果您调用 count() 两次，所有这些都会发生两次。计数 return 后，所有数据都被丢弃了！如果你想避免这种情况，请在 RDD 上调用 cache()。然后对 count() 的第二次调用会很快，而且派生的 RDD 的计算速度也会更快。但是，在这种情况下，RDD 必须存储在内存（或磁盘）中。

Answer 2

Daniel 对 count 的解释是对的。不过，如果您愿意接受近似值，则可以尝试 countApprox(timeout: Long, confidence: Double = 0.95): PartialResult[BoundedDouble] RDD 方法。（不过请注意，这被标记为 "Experimental"）。

计算 RDD 中的行数

Count number of rows in an RDD

java

apache-spark