从 clojure.lang.LazySeq 转换为 org.apache.spark.api.java.JavaRDD 类型

Question

我在 clojure 中开发了一个函数来从最后一个非空值填充一个空列，我假设这是可行的，给定

(:require [flambo.api :as f])

(defn replicate-val
  [ rdd input ]
  (let [{:keys [ col ]} input
    result (reductions (fn [a b]
                         (if (empty? (nth b col))
                           (assoc b col (nth a col))
                           b)) rdd )]
(println "Result type is: "(type result))))

知道了：

;=> "Result type is:  clojure.lang.LazySeq"

问题是如何使用 flambo（火花包装器）将其转换回 JavaRDD 类型

我在let表单中尝试(f/map result #(.toJavaRDD %))尝试转换为JavaRDD类型

我收到了这个错误

"No matching method found: map for class clojure.lang.LazySeq"

这是预期的，因为结果的类型是clojure.lang.LazySeq

问题是如何进行这种转换，或者如何重构代码以适应这种情况。

这是一个示例输入 rdd：

(type rdd) ;=> "org.apache.spark.api.java.JavaRDD"

但看起来像：

[["04" "2" "3"] ["04" "" "5"] ["5" "16" ""] ["07" "" "36"] ["07" "" "34"] ["07" "25" "34"]]

需要的输出是：

[["04" "2" "3"] ["04" "2" "5"] ["5" "16" ""] ["07" "16" "36"] ["07" "16" "34"] ["07" "25" "34"]]

谢谢。

Answer 1

首先，RDD 是不可迭代的（不要实现ISeq）所以你不能使用reductions。忽略访问先前记录的整个想法是相当棘手的。首先，您不能直接访问另一个分区中的值。此外，只有不需要改组的转换才能保留顺序。

这里最简单的方法是使用具有显式顺序的数据框和窗口函数，但据我所知，Flambo 没有实现所需的方法。始终可以使用原始 SQL 或访问 Java/Scala API，但如果您想避免这种情况，可以尝试以下管道。

首先让我们创建一个广播变量，其中包含每个分区的最后一个值：

(require '[flambo.broadcast :as bd])
(import org.apache.spark.TaskContext)

(def last-per-part (f/fn [it]
  (let [context (TaskContext/get) xs (iterator-seq it)]
  [[(.partitionId context) (last xs)]])))

(def last-vals-bd
 (bd/broadcast sc
   (into {} (-> rdd (f/map-partitions last-per-part) (f/collect)))))

接下来是实际工作的一些助手：

(defn fill-pair [col]
  (fn [x] (let [[a b] x] (if (empty? (nth b col)) (assoc b col (nth a col)) b))))

(def fill-pairs
  (f/fn [it] (let [part-id (.partitionId (TaskContext/get)) ;; Get partion ID
                   xs (iterator-seq it) ;; Convert input to seq
                   prev (if (zero? part-id) ;; Find previous element
                     (first xs) ((bd/value last-vals-bd) part-id))        
                   ;; Create seq of pairs (prev, current)
                   pairs (partition 2 1 (cons prev xs))
                   ;; Same as before
                   {:keys [ col ]} input
                   ;; Prepare mapping function
                   mapper (fill-pair col)]
               (map mapper pairs))))

最后你可以使用fill-pairs 到map-partitions：

(-> rdd (f/map-partitions fill-pairs) (f/collect))

这里隐藏的假设是分区的顺序遵循值的顺序。一般情况下它可能是也可能不是，但如果没有明确的顺序，它可能是你能得到的最好的。

替代方法是zipWithIndex，交换值的顺序并使用偏移量执行连接。

(require '[flambo.tuple :as tp])

(def rdd-idx (f/map-to-pair (.zipWithIndex rdd) #(.swap %)))

(def rdd-idx-offset
  (f/map-to-pair rdd-idx
    (fn [t] (let [p (f/untuple t)] (tp/tuple (dec' (first p)) (second p))))))

(f/map (f/values (.rightOuterJoin rdd-idx-offset rdd-idx)) f/untuple)

接下来您可以使用与以前类似的方法进行映射。

编辑

快速注释on using atoms。缺乏参考透明度以及您正在利用给定实现的附带属性而不是合同的问题是什么。 map 语义中没有任何内容需要按给定顺序处理元素。如果内部实现发生变化，它可能不再有效。使用 Clojure

(defn foo [x] (let [aa @a] (swap! a (fn [&args] x)) aa))

(def a (atom 0))
(map foo (range 1 20))

相比：

(def a (atom 0))
(pmap foo (range 1 20))