Spark：对 RDD 中的高效批量查找

Question

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)] 包含一组有趣的数据密钥对。

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：

• data 中的键是唯一的
• pairs 中的所有条目都是唯一的
• 对于pairs 中的所有对(k1,k2)，保证k1 <= k2
• “对”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

首先我尝试在data 上使用lookup 函数，但在执行时会引发运行时错误。似乎 self 在 PairRDDFunctions 特征中为空。

另外我不确定lookup 的性能。 The documentation 说 如果 RDD 具有已知的分区器，只需搜索键映射到的分区即可有效地完成此操作。 这听起来像 n 查找需要 O(n*|partition|)充其量是时间，我怀疑可以优化。

尝试 2

这种尝试有效，但我创建了|data|^2 对，这会影响性能。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（在另一个转换内）执行 RDD 转换。

在查找2中，我认为没有必要执行全笛卡尔...

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))})

我认为你不能更有效地做到这一点，但我可能错了......