apache-spark - Spark 。将 RDD 拆分成批

Question

我有 RDD，其中每条记录都是 int:

[0,1,2,3,4,5,6,7,8]

我需要做的就是将这个 RDD 分成几批。 IE。制作另一个 RDD，其中每个元素都是固定大小的元素列表:

[[0,1,2], [3,4,5], [6,7,8]]

这听起来微不足道，但是，我最近几天感到困惑，除了以下解决方案之外找不到任何东西:

使用 ZipWithIndex 枚举 RDD 中的记录:
[0,1,2,3,4,5] -> [(0, 0),(1, 1),(2, 2),(3, 3),(4, 4),(5, 5)]

使用 map() 迭代这个 RDD 并计算索引，如 index = int(index / batchSize)[1,2,3,4,5,6] -> [(0, 0),(0, 1),(0, 2),(1, 3),(1, 4),(1, 5)]

然后按生成的索引分组。
[(0, [0,1,2]), (1, [3,4,5])]

这将为我提供我需要的东西，但是，我不想在这里使用 group。当您使用普通 Map Reduce 或某些抽象(如 Apache Crunch)时，这很简单。但是有没有办法在不使用重分组的情况下在 Spark 中产生类似的结果？

Answer 1

您没有清楚地解释为什么需要固定大小的 RDD，这取决于您要完成的工作，可能有更好的解决方案，但是为了回答所提出的问题，我看到以下选项:
1) 根据项目数和批次大小实现过滤器。例如，如果您在原始 RDD 中有 1000 个项目并希望将它们拆分为 10 个批次，您最终将应用 10 个过滤器，第一个检查索引是否为 [0, 99]，第二个检查 [100, 199]等等。应用每个过滤器后，您将拥有一个 RDD。重要的是要注意原始 RDD 可能在过滤之前被缓存。优点:每个生成的 RDD 可以单独处理，不必在一个节点上完全分配。缺点:这种方法随着批次数量的增加而变慢。
2)逻辑上与此类似，但不是过滤器，您只需实现一个自定义分区器，该分区器根据此处所述的索引(键)返回分区 ID:Custom partitioner for equally sized partitions .优点:比过滤器快。缺点:每个分区必须适合一个节点。
3)如果原始RDD中的顺序不重要，只需要大致相同的分块，你可以合并/重新分区，解释在这里https://jaceklaskowski.gitbooks.io/mastering-apache-spark/spark-rdd-partitions.html