apache-spark - 在 Spark 中使用 mapPartitions 或分区器按键进行高效分组

Question

所以，我有如下数据，

[ (1, data1), (1, data2), (2, data3), (1, data4), (2, data5) ]

我想将其转换为以下内容，以进行进一步处理。

[ (1, [data1, data2, data4]), (2, [data3, data5]) ]

我使用了groupByKey和reduceByKey，但是由于数据量非常大，所以失败了。数据不高但宽。换句话说，键的范围是从 1 到 10000，但是值列表的范围是从 100k 到 900k。

我正在努力解决这个问题，并计划应用 mapPartitions 或 (Hash)partitioner。

所以，如果其中之一可行，我想知道

1. 使用mapPartions，您能提供一些代码片段吗？
2. 使用(Hash)partitioner，您能否举一些如何通过某些元素(如键)控制分区的示例。有没有一种方法可以根据键(即上面的1,2，..)创建每个分区，而无需进行洗牌。

Exception in thread "main" org.apache.spark.SparkException: Job aborted due to stage failure: ShuffleMapStage 9 (flatMap at TSUMLR.scala:209) has failed the maximum allowable number of times: 4. Most recent failure reason: org.apache.spark.shuffle.MetadataFetchFailedException: Missing an output location for shuffle 1
        at org.apache.spark.MapOutputTracker$$anonfun$org$apache$spark$MapOutputTracker$$convertMapStatuses$2.apply(MapOutputTracker.scala:542)
        at org.apache.spark.MapOutputTracker$$anonfun$org$apache$spark$MapOutputTracker$$convertMapStatuses$2.apply(MapOutputTracker.scala:538)
        at scala.collection.TraversableLike$WithFilter$$anonfun$foreach$1.apply(TraversableLike.scala:772)
        at scala.collection.IndexedSeqOptimized$class.foreach(IndexedSeqOptimized.scala:33)
        at scala.collection.mutable.ArrayOps$ofRef.foreach(ArrayOps.scala:108)
        at scala.collection.TraversableLike$WithFilter.foreach(TraversableLike.scala:771)
        at org.apache.spark.MapOutputTracker$.org$apache$spark$MapOutputTracker$$convertMapStatuses(MapOutputTracker.scala:538)
        at org.apache.spark.MapOutputTracker.getMapSizesByExecutorId(MapOutputTracker.scala:155)
        at org.apache.spark.shuffle.BlockStoreShuffleReader.read(BlockStoreShuffleReader.scala:47)
        at org.apache.spark.rdd.ShuffledRDD.compute(ShuffledRDD.scala:98)
        at org.apache.spark.rdd.RDD.computeOrReadCheckpoint(RDD.scala:306)
        at org.apache.spark.rdd.RDD.iterator(RDD.scala:270)
        at org.apache.spark.rdd.MapPartitionsRDD.compute(MapPartitionsRDD.scala:38)
        at org.apache.spark.rdd.RDD.computeOrReadCheckpoint(RDD.scala:306)
        at org.apache.spark.rdd.RDD.iterator(RDD.scala:270)
        at org.apache.spark.scheduler.ShuffleMapTask.runTask(ShuffleMapTask.scala:73)
        at org.apache.spark.scheduler.ShuffleMapTask.runTask(ShuffleMapTask.scala:41)
        at org.apache.spark.scheduler.Task.run(Task.scala:89)
        at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:213)
        at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1145)
        at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:615)
        at java.lang.Thread.run(Thread.java:745)

Answer 1

所提出的方法都不起作用。根据定义，分区器必须对数据进行混洗，并且会受到与 groupByKey 相同的限制。 mapPartitions 无法将数据移动到另一个分区，因此它完全没有用。由于您对问题的描述相当模糊，因此很难给出具体的建议，但一般来说我会尝试以下步骤:

• 尝试重新思考问题。您真的需要一次获得所有值吗？您打算如何利用这些？不收集到单个分区是否可以获得相同的结果？
• 是否可以减少流量？您期望有多少独特的值(value)？是否可以在随机播放之前压缩数据(例如计数值或使用 RLE)？
• 考虑使用更大的执行器。 Spark 必须仅将单个键的值保留在内存中，并且可以将处理后的键溢出到磁盘。

• 按键分割数据:

  val keys =  rdd.keys.distinct.collect
  val rdds = keys.map(k => rdd.filter(_._1 == k))
  

  并单独处理每个RDD。