scala - Spark : Efficient mass lookup in pair RDD's

Question

在 Apache Spark 中，我有两个 RDD。第一data : RDD[(K,V)]包含键值形式的数据。第二个pairs : RDD[(K,K)]包含该数据的一组有趣的 key 对。

如何高效地构建 RDD pairsWithData : RDD[((K,K)),(V,V))] ，这样它就包含了来自 pairs 的所有元素作为键元组及其相应的值(来自 data )作为值元组？

数据的一些属性:

data 中的 key 独一无二

pairs 中的所有条目独一无二

对于所有对 (k1,k2)在 pairs保证k1 <= k2

'pairs' 的大小只是数据大小的常数 |pairs| = O(|data|)

当前数据大小(预计会增长):|data| ~ 10^8, |pairs| ~ 10^10

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

首先我尝试只使用 lookup功能在 data ，但在执行时会引发运行时错误。好像self在 PairRDDFunctions 中为空特征。

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

尝试 2

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

Answer 1

您的查找 1 不起作用，因为您无法在工作人员内部(在另一个转换中)执行 RDD 转换。

在查找 2 中，我认为没有必要执行完整的笛卡尔...

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))})

或者以更密集的形式:

    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......