performance - Scala 编译器如何处理未使用的变量值？

Question

使用 Scala 和 Spark，我有以下构造:

val rdd1: RDD[String] = ...
val rdd2: RDD[(String, Any)] = ...

val rdd1pairs = rdd1.map(s => (s, s))
val result = rdd2.join(rdd1pairs)
              .map { case (_: String, (e: Any, _)) => e }

将rdd1映射到PairRDD的目的是为了在后续步骤中与rdd2进行连接。然而，我实际上只对 rdd2 的值感兴趣，因此最后一行中的映射步骤省略了键。实际上，出于效率原因，这是使用 Spark 的 join() 执行的 rdd2 和 rdd1 之间的交集。

我的问题涉及 rdd1pairs 的键:它们仅在第一个映射步骤中出于语法原因(以允许连接)而创建，随后在没有任何使用的情况下被丢弃。编译器如何处理这个问题？是否使用 String s (如示例所示)对内存消耗有影响吗？我应该用 null 或 0 替换它以节省一点内存吗？编译器是否实际创建并存储这些对象(引用)，还是注意到它们从未被使用？

Answer 1

在这种情况下，我认为影响结果的是 Spark 驱动程序将执行的操作，而不是编译器。 Spark 是否可以优化其执行管道以避免创建冗余重复的 s。我不确定，但我认为 Spark 会在内存中创建 rdd1pairs。

您可以使用(String, Unit)，而不是映射到(String, String):

rdd1.map(s => (s,()))

您所做的基本上是基于rdd1的rdd2过滤器。如果rdd1明显小于rdd2，另一种方法是将rdd1的数据表示为广播变量而不是RDD，并简单地过滤rdd2。这避免了任何洗牌或归约阶段，因此可能会更快，但只有当 rdd1 的数据足够小以适合每个节点时才有效。

编辑:

考虑使用 Unit 而不是 String 如何节省空间，请考虑以下示例:

object size extends App {

  (1 to 1000000).map(i => ("foo"+i, ()))
  val input = readLine("prompt> ")
}

和

object size extends App {

  (1 to 1000000).map(i => ("foo"+i, "foo"+i))
  val input = readLine("prompt> ")
}

按照此问题 How to check heap usage of a running JVM from the command line? 中所述使用 jstat 命令第一个版本使用的堆明显少于后者。

编辑2:

Unit 实际上是一个没有内容的单例对象，因此从逻辑上讲，它不需要任何序列化。类型定义包含 Unit 的事实告诉您能够反序列化具有 Unit 类型字段的结构所需的一切。

Spark 默认使用 Java 序列化。考虑以下因素:

object Main extends App {

  import java.io.{ObjectOutputStream, FileOutputStream}

  case class Foo (a: String, b:String)
  case class Bar (a: String, b:String, c: Unit)

  val str = "abcdef"
  val foo = Foo("abcdef", "xyz")
  val bar = Bar("abcdef", "xyz", ())

  val fos = new FileOutputStream( "foo.obj" )
  val fo = new ObjectOutputStream( fos )
  val bos = new FileOutputStream( "bar.obj" )
  val bo = new ObjectOutputStream( bos )
  fo writeObject foo
  bo writeObject bar
}

两个文件大小相同:

�� sr Main$Foo3�,�z \ L at Ljava/lang/String;L bq ~ xpt abcdeft xyz

和

�� sr Main$Bar+a!N��b L at Ljava/lang/String;L bq ~ xpt abcdeft xyz