Spark Scala 从 rdd.foreachPartition 取回数据

Question

我有一些这样的代码：

      println("\nBEGIN Last Revs Class: "+ distinctFileGidsRDD.getClass)
      val lastRevs = distinctFileGidsRDD.
        foreachPartition(iter => {
          SetupJDBC(jdbcDriver, jdbcUrl, jdbcUser, jdbcPassword)
          while(iter.hasNext) {
            val item = iter.next()
            //println(item(0))
            println("String: "+item(0).toString())
            val jsonStr = DB.readOnly { implicit session =>
              sql"SELECT jsonStr FROM lasttail WHERE fileGId = ${item(0)}::varchar".
                map { resultSet => resultSet.string(1) }.single.apply()
            }
            println("\nJSON: "+jsonStr)
          }
        })
      println("\nEND Last Revs Class: "+ lastRevs.getClass)

代码输出（经过大量编辑）类似于：

BEGIN Last Revs Class: class org.apache.spark.rdd.MapPartitionsRDD
String: 1fqhSXPE3GwrJ6SZzC65gJnBaB5_b7j3pWNSfqzU5FoM
JSON: Some({"Struct":{"fileGid":"1fqhSXPE3GwrJ6SZzC65gJnBaB5_b7j3pWNSfqzU5FoM",... )
String: 1eY2wxoVq17KGMUBzCZZ34J9gSNzF038grf5RP38DUxw
JSON: Some({"Struct":{"fileGid":"1fqhSXPE3GwrJ6SZzC65gJnBaB5_b7j3pWNSfqzU5FoM",... )
...
JSON: None()
END Last Revs Class: void

问题 1：我怎样才能使 lastRevs 值采用有用的格式，如 JSON string/null 或像 Some / None?

这样的选项

问题 2：我的偏好：是否有另一种方法获取类似 RDD 格式（而不是迭代器格式）的分区数据？

dstream.foreachRDD { (rdd, time) =>
  rdd.foreachPartition { partitionIterator =>
    val partitionId = TaskContext.get.partitionId()
    val uniqueId = generateUniqueId(time.milliseconds, partitionId)
    // use this uniqueId to transactionally commit the data in partitionIterator
  } 
}

来自 http://spark.apache.org/docs/latest/streaming-programming-guide.html#performance-tuning

问题 3：我使用的获取数据的方法是否合理（假设我遵循上面的 link）？（撇开目前这是一个 scalikejdbc 系统的事实 JDBC。这将是一个键值存储，除此原型之外的某种类型。）

Answer 1

要创建使用执行程序本地资源（例如数据库或网络连接）的转换，您应该使用 rdd.mapPartitions。它允许在执行器本地初始化一些代码，并使用这些本地资源来处理分区中的数据。

代码应如下所示：

 val lastRevs = distinctFileGidsRDD.
        mapPartitions{iter => 
          SetupJDBC(jdbcDriver, jdbcUrl, jdbcUser, jdbcPassword)
          iter.map{ element => 
            DB.readOnly { implicit session =>
              sql"SELECT jsonStr FROM lasttail WHERE fileGId = ${element(0)}::varchar"
              .map { resultSet => resultSet.string(1) }.single.apply()
            }
          }
        }

Spark Scala 从 rdd.foreachPartition 取回数据

Spark Scala Get Data Back from rdd.foreachPartition

scala

apache-spark

scalikejdbc

spark-streaming