java - Spark flatMap/减少 : How to scale and avoid OutOfMemory?

Question

我正在将一些 map-reduce 代码迁移到 Spark 中，并且在构造 Iterable 以在函数中返回时遇到问题。在 MR 代码中，我有一个按键分组的 reduce 函数，然后(使用 multipleOutputs)将迭代值并使用 write(在多个输出中，但这并不重要)像这样的代码(简化):

reduce(Key key, Iterable<Text> values) {
    // ... some code
    for (Text xml: values) {
        multipleOutputs.write(key, val, directory);
    }
}

但是，在 Spark 中，我已经翻译了一个 map ，并将其归约为以下序列: mapToPair -> groupByKey -> flatMap按照建议...在某本书中。

mapToPair 基本上通过 functionMap 添加一个 Key，它基于记录上的某些值为该记录创建一个 Key。有时一个键可能有很高的基数。

JavaPairRDD<Key, String> rddPaired = inputRDD.mapToPair(new PairFunction<String, Key, String>() { 
    public Tuple2<Key, String> call(String value) {
        //... 
        return functionMap.call(value);
    }
});

rddPaired 应用 RDD.groupByKey() 来获取 RDD 以提供给 flatMap 函数:

JavaPairRDD<Key, Iterable<String>> rddGrouped = rddPaired.groupByKey();

分组后，调用 flatMap 来执行reduce。这里，操作是一个转换:

public Iterable<String> call (Tuple2<Key, Iterable<String>> keyValue) {
    // some code...
    List<String> out = new ArrayList<String>();
    if (someConditionOnKey) { 
        // do a logic
        Grouper grouper = new Grouper();
        for (String xml : keyValue._2()) {
            // group in a separate class
            grouper.add(xml);
        }
        // operation is now performed on the whole group
        out.add(operation(grouper));
    } else {
        for (String xml : keyValue._2()) {
            out.add(operation(xml));
        }
        return out;
    }
}

它工作正常......没有太多记录的键。实际上，当具有很多值的键进入 reduce 的“else”时，它会因 OutOfMemory 而中断。

注意:我已经包括了“if”部分来解释我想产生的逻辑，但是当输入“else”时失败发生......因为当数据进入“else”时，通常意味着会有由于数据的性质，它具有更多的值(value)。

很明显，必须将所有分组值保留在“out”列表中，如果一个键有数百万条记录，它就不会扩展，因为它会将它们保存在内存中。我已经到了 OOM 发生的地步(是的，这是在执行上面的“操作”时要求内存 - 但没有给出。虽然这不是一个非常昂贵的内存操作)。

有什么方法可以避免这种情况以进行扩展吗？通过使用其他一些指令复制行为以更可扩展的方式达到相同的输出，或者能够将合并的值交给 Spark(就像我以前对 MR 所做的那样)...

Answer 1

在 flatMap 操作中做条件是低效的。您应该检查外部条件以创建 2 个不同的 RDD 并分别处理它们。

rddPaired.cache();

// groupFilterFunc will filter which items need grouping
JavaPairRDD<Key, Iterable<String>> rddGrouped = rddPaired.filter(groupFilterFunc).groupByKey();
// processGroupedValuesFunction should call `operation` on group of all values with the same key and return the result
rddGrouped.mapValues(processGroupedValuesFunction);

// nogroupFilterFunc will filter which items don't need grouping
JavaPairRDD<Key, Iterable<String>> rddNoGrouped = rddPaired.filter(nogroupFilterFunc);
// processNoGroupedValuesFunction2 should call `operation` on a single value and return the result
rddNoGrouped.mapValues(processNoGroupedValuesFunction2);