Apache spark Spark-将字符串ID转换为唯一的整数ID

我有一个类似这样的数据集，其中每个用户和产品ID都是一个字符串：

userA, productX
userA, productX
userB, productY

拥有约280万产品和3亿用户；大约21亿用户产品协会

我的最终目标是在这个数据集上运行Spark collaborative filtering（ALS）。因为它为用户和产品使用int键，所以我的第一步是为每个用户和产品分配一个唯一的int，并转换上面的数据集，以便用户和产品由int表示

以下是我迄今为止所尝试的：

val rawInputData = sc.textFile(params.inputPath)
  .filter { line => !(line contains "\\N") }
  .map { line =>
      val parts = line.split("\t")
      (parts(0), parts(1))  // user, product
    }

// find all unique users and assign them IDs
val idx1map = rawInputData.map(_._1).distinct().zipWithUniqueId().cache()

// find all unique products and assign IDs
val idx2map = rawInputData.map(_._2).distinct().zipWithUniqueId().cache()

idx1map.map{ case (id, idx) => id + "\t" + idx.toString
}.saveAsTextFile(params.idx1Out)
idx2map.map{ case (id, idx) => id + "\t" + idx.toString
}.saveAsTextFile(params.idx2Out)

// join with user ID map:
// convert from (userStr, productStr) to (productStr, userIntId)
val rev = rawInputData.cogroup(idx1map).flatMap{
  case (id1, (id2s, idx1s)) =>
    val idx1 = idx1s.head
    id2s.map { (_, idx1)
    }
}

// join with product ID map:
// convert from (productStr, userIntId) to (userIntId, productIntId)
val converted = rev.cogroup(idx2map).flatMap{
  case (id2, (idx1s, idx2s)) =>
    val idx2 = idx2s.head
    idx1s.map{ (_, idx2)
    }
}

// save output
val convertedInts = converted.map{
  case (a,b) => a.toInt.toString + "\t" + b.toInt.toString
}
convertedInts.saveAsTextFile(params.outputPath)

当我尝试在集群（40个执行器，每个执行器有5 GB RAM）上运行此操作时，它能够很好地生成idx1map和idx2map文件，但是它失败了，没有内存不足错误，并且在cogroup之后的第一个平面图上获取失败。我以前在Spark方面做得不多，所以我想知道是否有更好的方法来实现这一点；我不知道这项工作的哪些步骤会很昂贵。当然，cogroup需要在整个网络上洗牌整个数据集；但是像这样的事情意味着什么呢

FetchFailed(BlockManagerId(25, ip-***.ec2.internal, 48690), shuffleId=2, mapId=87, reduceId=25)

---

我之所以不使用散列函数，是因为我最终希望在更大的数据集上运行它（大约10亿个产品、10亿个用户、350亿个关联），Int键冲突的数量将变得相当大。在如此规模的数据集上运行ALS是否更接近可行？

我看你基本上是在收集所有用户列表，只是为了再次将它们拆分。试着使用join而不是cogroup，在我看来，这更像是你想要的。例如：

import org.apache.spark.SparkContext._
// Create some fake data
val data = sc.parallelize(Seq(("userA", "productA"),("userA", "productB"),("userB", "productB")))
val userId = sc.parallelize(Seq(("userA",1),("userB",2)))
val productId = sc.parallelize(Seq(("productA",1),("productB",2)))

// Replace userName with ID's
val userReplaced = data.join(userId).map{case (_,(prod,user)) => (prod,user)}
// Replace product names with ID's
val bothReplaced = userReplaced.join(productId).map{case (_,(user,prod)) => (user,prod)}

// Check results:
bothReplaced.collect()) // Array((1,1), (1,2), (2,2))

请对它的表现发表评论

---

（我不知道FetchFailed（…）是什么意思）

我的平台版本：CDH:5.7，Spark:1.6.0/StandAlone

我的测试数据大小：31815167所有数据；31562704个不同的用户字符串，4140276个不同的产品字符串

第一个想法：

我的第一个想法是使用collectAsMap操作，然后使用map想法将用户/产品字符串更改为int。由于驱动程序内存高达12G，我得到了OOM或GC开销异常（该异常受驱动程序内存的限制）

但是这个想法只能在较小的数据量上使用，如果数据量较大，则需要更大的驱动程序内存

第二个想法： 第二个想法是使用Tobber提出的连接方法。以下是一些测试结果： 作业设置：

• 驱动程序：2G，2个cpu
• 执行器：（8G，4个cpu）*7

我遵循以下步骤：

• 1） 查找唯一的用户字符串和ZipWithindex
• 2） 加入原始数据
• 3） 保存编码后的数据

完成这项工作大约需要10分钟