RDD 转换和操作只能由驱动程序调用

Question

错误：

org.apache.spark.SparkException: RDD 转换和动作只能由驱动程序调用，不能在其他转换内部调用；例如，rdd1.map(x => rdd2.values.count() * x) 是无效的，因为值转换和计数操作不能在 rdd1.map 转换中执行。有关详细信息，请参阅 SPARK-5063。

def computeRatio(model: MatrixFactorizationModel, test_data: org.apache.spark.rdd.RDD[Rating]): Double = {
  val numDistinctUsers = test_data.map(x => x.user).distinct().count()
  val userRecs: RDD[(Int, Set[Int], Set[Int])] = test_data.groupBy(testUser => testUser.user).map(u => {
    (u._1, u._2.map(p => p.product).toSet, model.recommendProducts(u._1, 20).map(prec => prec.product).toSet)
  })
  val hitsAndMiss: RDD[(Int, Double)] = userRecs.map(x => (x._1, x._2.intersect(x._3).size.toDouble))

  val hits = hitsAndMiss.map(x => x._2).sum() / numDistinctUsers

  return hits
}

我正在使用MatrixFactorizationModel.scala中的方法，我必须映射用户，然后调用该方法来获取每个用户的结果。通过这样做，我引入了嵌套映射，我认为这会导致问题：

我知道这个问题实际上发生在：

val userRecs: RDD[(Int, Set[Int], Set[Int])] = test_data.groupBy(testUser => testUser.user).map(u => {
  (u._1, u._2.map(p => p.product).toSet, model.recommendProducts(u._1, 20).map(prec => prec.product).toSet)
})

因为在映射时我打电话给model.recommendProducts

Answer 1

MatrixFactorizationModel 是一个分布式模型，因此您不能简单地从操作或转换中调用它。与您在这里所做的最接近的事情是这样的：

import org.apache.spark.rdd.RDD
import org.apache.spark.mllib.recommendation.{MatrixFactorizationModel, Rating}

def computeRatio(model: MatrixFactorizationModel, testUsers: RDD[Rating]) = {
  val testData = testUsers.map(r => (r.user, r.product)).groupByKey
  val n = testData.count

  val recommendations = model
     .recommendProductsForUsers(20)
     .mapValues(_.map(r => r.product))

  val hits = testData
    .join(recommendations)
    .values
    .map{case (xs, ys) => xs.toSet.intersect(ys.toSet).size}
    .sum

  hits / n
}

注意事项：

• distinct 是一项昂贵的操作，在这里完全过时了，因为您可以从分组数据中获取相同的信息
• 而不是 groupBy 后跟投影 (map)，先投影后分组。如果您只需要产品 ID，则没有理由转移完整评分。