Spark:成对的 RDD 中的高效质量查找

Spark: Efficient mass lookup in pair RDD's

在 Apache Spark 中,我有两个 RDD。第一个 data : RDD[(K,V)] 包含键值形式的数据。第二个 pairs : RDD[(K,K)] 包含此数据的一组有趣的密钥对。

如何有效地构造一个 RDD pairsWithData : RDD[((K,K)),(V,V))],使其包含来自 pairs 的所有元素作为键元组及其对应的值(来自 data)作为值元组?

数据的一些属性:

当前尝试

以下是 Scala 中的一些示例代码:

import org.apache.spark.rdd.RDD
import org.apache.spark.SparkContext._

// This kind of show the idea, but fails at runtime.
def massPairLookup1(keyPairs : RDD[(Int, Int)], data : RDD[(Int, String)]) = {
  keyPairs map {case (k1,k2) =>
    val v1 : String = data lookup k1 head;
    val v2 : String = data lookup k2 head;
    ((k1, k2), (v1,v2))
  }
}

// Works but is O(|data|^2)
def massPairLookup2(keyPairs : RDD[(Int, Int)], data : RDD[(Int, String)]) = {
  // Construct all possible pairs of values
  val cartesianData = data cartesian data map {case((k1,v1),(k2,v2)) => ((k1,k2),(v1,v2))}
  // Select only the values who's keys are in keyPairs
  keyPairs map {(_,0)} join cartesianData mapValues {_._2}
}

// Example function that find pairs of keys
// Runs in O(|data|) in real life, but cannot maintain the values
def relevantPairs(data : RDD[(Int, String)]) = {
  val keys = data map (_._1)
  keys cartesian keys filter {case (x,y) => x*y == 12 && x < y}
}

// Example run
val data = sc parallelize(1 to 12) map (x => (x, "Number " + x))
val pairs = relevantPairs(data)
val pairsWithData = massPairLookup2(pairs, data) 


// Print: 
// ((1,12),(Number1,Number12))
// ((2,6),(Number2,Number6))
// ((3,4),(Number3,Number4))
pairsWithData.foreach(println)

尝试 1

首先,我尝试仅在 data 上使用 lookup 函数,但在执行时会抛出运行时错误。似乎 selfPairRDDFunctions 特征中为空。

此外,我不确定 lookup 的性能。 The documentation 如果 RDD 有一个已知的分区器,只搜索键映射到的分区,这个操作就可以有效地完成。 这听起来像 n 查找需要 O (n*|partition|) 时间最多,我怀疑可以优化。

尝试 2

此尝试有效,但我创建了 |data|^2 对,这会降低性能。我不希望 Spark 能够优化它。

您的查找 1 不起作用,因为您无法在 worker 内部(在另一个转换内部)执行 RDD 转换。

在查找2中,我认为没有必要进行全笛卡尔...

你可以这样做:

val firstjoin = pairs.map({case (k1,k2) => (k1, (k1,k2))})
    .join(data)
    .map({case (_, ((k1, k2), v1)) => ((k1, k2), v1)})
val result = firstjoin.map({case ((k1,k2),v1) => (k2, ((k1,k2),v1))})
    .join(data)
    .map({case(_, (((k1,k2), v1), v2))=>((k1, k2), (v1, v2))})

或更密集的形式:

    val firstjoin = pairs.map(x => (x._1, x)).join(data).map(_._2)
    val result = firstjoin.map({case (x,y) => (x._2, (x,y))})
        .join(data).map({case(x, (y, z))=>(y._1, (y._2, z))})

我不认为你可以更有效地做到这一点,但我可能是错的...