Scala 有效地实现spark的takeByKey
我有一个类型为Scala 有效地实现spark的takeByKey,scala,hadoop,apache-spark,functional-programming,rdd,Scala,Hadoop,Apache Spark,Functional Programming,Rdd,我有一个类型为RDD[(k:Int,v:String)]的RDD。我想对每个键k使用多达1000个元组,这样我就有了[(k,v)],其中没有键出现超过1000次有没有一种方法可以避免先调用groupBy的性能损失?我想不出一个好的方法来聚合这些值,以避免一个完整的groupBy导致我的工作失败 天真的方法: def takeByKey(rdd: RDD[(K,V)], n: Int) : RDD[(K,V)] = { rdd.groupBy(_._1).mapValues(_.take(
RDD[(k:Int,v:String)]
的RDD。我想对每个键k
使用多达1000个元组,这样我就有了[(k,v)]
,其中没有键出现超过1000次有没有一种方法可以避免先调用groupBy的性能损失?我想不出一个好的方法来聚合这些值,以避免一个完整的groupBy导致我的工作失败
天真的方法:
def takeByKey(rdd: RDD[(K,V)], n: Int) : RDD[(K,V)] = {
rdd.groupBy(_._1).mapValues(_.take(n)).flatMap(_._2)
}
我正在寻找一种更有效的方法来避免分组:
takeByKey(rdd: RDD[(K,V)], n: Int) : RDD[(K,V)] = {
//use reduceByKey, foldByKey, etc..??
}
这是迄今为止我开发的最好的解决方案,但它不进行类型检查
def takeByKey(rdd: RDD[(K,V)], n: Int) : RDD[(K,V)] = {
rdd.foldByKey(List[V](), ((acc, elem) => if (acc.length >= n) acc else elem._2 :: acc)).flatMap(t => t._2.map(v => (t._1, v)))
}
编辑。
我提出了一个稍微好一点的解决方案,似乎正在发挥作用:
takeByKey(rdd: RDD[(K,V)], n: Int) : RDD[(K,V)] = {
rdd.mapValues(List(_))
.reduceByKey((x,y) => if(x.length >= n) x
else if(y.length >= n) y
else (x ++ y).take(n))
.flatMap(t => t._2.map(v => (t._1, v)))
}
这是迄今为止我提出的最好的解决方案
takeByKey(rdd: RDD[(K,V)], n: Int) : RDD[(K,V)] = {
rdd.mapValues(List(_))
.reduceByKey((x,y) => if(x.length >= n) x
else if(y.length >= n) y
else (x ++ y).take(n))
.flatMap(t => t._2.map(v => (t._1, v)))
}
它不会像groupByKey方法那样耗尽内存并死掉,但它仍然很慢。您当前的解决方案是朝着正确方向迈出的一步,但它仍然非常低效,原因至少有三个:
创建大量临时mapValues(List())
对象List
- 线性
序列的
类似长度
为O(N)列表
再次创建大量临时对象x++y
List
,该缓冲区具有恒定的时间长度
。一个可能的例子如下:
import scala.collection.mutable.ArrayBuffer
rdd.aggregateByKey(ArrayBuffer[Int]())(
(acc, x) => if (acc.length >= n) acc else acc += x,
(acc1, acc2) => {
val (xs, ys) = if (acc1.length > acc2.length) (acc1, acc2) else (acc2, acc1)
val toTake = Math.min(n - xs.length, ys.length)
for (i <- 0 until toTake) {
xs += ys(i)
}
xs
}
)
与
它不会影响性能,但稍微干净一些
.flatMap(t => t._2.map(v => (t._1, v)))
.flatMapValues(x => x) // identity[Seq[V]]