是否可以在 Apache Spark 中创建嵌套 RDD？

Question

我正在尝试在 Spark 中实现 K 最近邻算法。我想知道是否可以使用嵌套的 RDD。这会让我的生活轻松很多。考虑以下代码片段。

public static void main (String[] args){
//blah blah code
JavaRDD<Double> temp1 = testData.map(
    new Function<Vector,Double>(){
        public Double call(final Vector z) throws Exception{
            JavaRDD<Double> temp2 = trainData.map(
                    new Function<Vector, Double>() {
                        public Double call(Vector vector) throws Exception {
                            return (double) vector.length();
                        }
                    }
            );
            return (double)z.length();
        }    
    }
);
}

目前我在使用此嵌套设置时遇到错误（我可以在此处 post 获取完整日志）。拳头处允许吗？谢谢

Answer 1

不，这是不可能的，因为RDD的项必须是可序列化的，而RDD是不可序列化的。这是有道理的，否则您可能会通过网络传输整个 RDD，如果它包含大量数据，这将是一个问题。如果它不包含大量数据，您可能也应该使用数组或类似的东西。

但是，我不知道你是如何实现 K 最近邻的……但要小心：如果你做一些事情，比如计算每对点之间的距离，这实际上在数据集中是不可扩展的大小，因为它是 O(n2).

Answer 2

我运行在尝试这样的事情时陷入空指针异常 sort.As 我们无法在 RDD 中对 RDD 执行操作。

Spark 不支持 RDD 的嵌套，原因是 - 执行操作或创建新的 RDD spark 运行时需要访问仅在驱动程序机器中可用的 sparkcontext 对象。

因此，如果您想对嵌套 RDD 进行操作，您可以在驱动程序节点上收集父 RDD，然后使用数组或其他方式迭代它的项。

注意：- RDD class 是可序列化的。请看下面。

是否可以在 Apache Spark 中创建嵌套 RDD？

Is it possible to create nested RDDs in Apache Spark?

java

nested

apache-spark

rdd