Spark join 速度呈指数级增长

Question

我正在尝试加入两个 Spark RDD。我有一个与类别相关联的事务日志。我已将我的事务 RDD 格式化为以类别 ID 作为键。

transactions_cat.take(3)
[(u'707', [u'86246', u'205', u'7', u'707', u'1078778070', u'12564', u'2012-03-02 00:00:00', u'12', u'OZ', u'1', u'7.59']), 
(u'6319', [u'86246', u'205', u'63', u'6319', u'107654575', u'17876', u'2012-03-02 00:00:00', u'64', u'OZ', u'1', u'1.59']), 
(u'9753', [u'86246', u'205', u'97', u'9753', u'1022027929', u'0', u'2012-03-02 00:00:00', u'1', u'CT', u'1', u'5.99'])]

categories.take(3)
[(u'2202', 0), (u'3203', 0), (u'1726', 0)]

事务日志大约 20 GB（3.5 亿行）。 类别列表小于 1KB。

当我跑步时

transactions_cat.join(categories).count()

Spark 开始变得非常缓慢。我有一个有 643 个任务的阶段。前 10 个任务大约需要 1 分钟。然后每个任务越来越慢（第 60 个任务大约需要 15 分钟）。我不确定出了什么问题。

请查看这些屏幕截图以获得更好的想法。

我正在运行 Spark 1.1.0，有 4 名工作人员使用 python shell，总内存为 50 GB。 仅计算事务 RDD 非常快（30 分钟）

Answer 1

问题可能是 Spark 没有注意到您有一个简单的连接问题案例。当你加入的两个RDDs 之一太小时，最好不要成为RDD。然后，您可以推出自己的hash join 实现，这实际上比听起来要简单得多。基本上，您需要：

• 使用collect() 将您的类别列表从RDD 中提取出来——由此产生的通信将很容易收回成本（或者，如果可能，首先不要将其设为RDD）
• 将其转换为一个哈希表，其中一个条目包含一个键的所有值（假设您的键不是唯一的）
• 对于大 RDD 中的每一对，在哈希表中查找键并为列表中的每个值生成一对（如果未找到，则该特定对不会产生任何结果）

我有一个implementation in Scala -- 随时询问有关翻译的问题，但应该很容易。

另一个有趣的可能性是尝试使用Spark SQL。我很确定该项目的长期目标将包括自动为您执行此操作，但我不知道他们是否已经实现了。