Spark RDD 等同于 Scala 集合分区

Question

这是我的一项 spark 作业的一个小问题，它似乎不会引起任何问题 -- 但每次我看到它都会让我烦恼，并且无法想出更好的解决方案。

假设我有一个像这样的 Scala 集合：

val myStuff = List(Try(2/2), Try(2/0))

我可以使用分区将此列表分为成功和失败：

val (successes, failures) =  myStuff.partition(_.isSuccess)

这很好。分区的实现只遍历一次源集合来构建两个新集合。但是，使用 Spark，我能够设计出的最佳等价物是：

val myStuff: RDD[Try[???]] = sourceRDD.map(someOperationThatMayFail)
val successes: RDD[???] = myStuff.collect { case Success(v) => v }
val failures: RDD[Throwable] = myStuff.collect { case Failure(ex) => ex }

除了解包 Try 的不同（这很好）还需要遍历数据两次。这很烦人。

是否有更好的 Spark 替代方案可以拆分 RDD 而无需多次遍历？即具有这样的签名，其中分区具有 Scala 集合分区而不是 RDD 分区的行为：

val (successes: RDD[Try[???]], failures: RDD[Try[???]]) = myStuff.partition(_.isSuccess)

作为参考，我以前使用类似下面的方法来解决这个问题。可能失败的操作是从二进制格式反序列化某些数据，并且失败变得非常有趣，需要对其进行处理并保存为 RDD 而不是记录。

def someOperationThatMayFail(data: Array[Byte]): Option[MyDataType] = {
   try {
      Some(deserialize(data))
   } catch {
      case e: MyDesrializationError => {
         logger.error(e)
         None
      }
   }
}

Answer 1

可能还有其他解决方案，但这里是：

设置：

import scala.util._
val myStuff = List(Try(2/2), Try(2/0))
val myStuffInSpark = sc.parallelize(myStuff)

执行：

val myStuffInSparkPartitioned = myStuffInSpark.aggregate((List[Try[Int]](),List[Try[Int]]()))(
  (accum, curr)=>if(curr.isSuccess) (curr :: accum._1,accum._2) else (accum._1, curr :: accum._2), 
  (first, second)=> (first._1 ++ second._1,first._2 ++ second._2))

如果您需要解释，请告诉我

Spark RDD 等同于 Scala 集合分区

Spark RDD equivalent to Scala collections partition

scala

apache-spark

scala-collections