scala - Spark : Efficient way to test if an RDD is empty

Question

没有 isEmpty RDD 上的方法，那么测试 RDD 是否为空的最有效方法是什么？

Answer 1

RDD.isEmpty() 将成为 Spark 1.3.0 的一部分。

基于 this apache mail-thread 中的建议后来对这个答案的一些评论，我做了一些小的本地实验。最好的方法是使用 take(1).length==0 .

def isEmpty[T](rdd : RDD[T]) = {
  rdd.take(1).length == 0 
}

它应该在 O(1) 中运行除非 RDD 为空，在这种情况下，它与分区数呈线性关系。

感谢 Josh Rosen 和 Nick Chammas 向我指出这一点。

注意:如果 RDD 的类型是 RDD[Nothing]，这将失败例如 isEmpty(sc.parallelize(Seq())) ，但这在现实生活中可能不是问题。 isEmpty(sc.parallelize(Seq[Any]()))工作正常。

编辑:

编辑 1:已添加 take(1)==0方法，感谢评论。

我最初的建议:使用 mapPartitions .

def isEmpty[T](rdd : RDD[T]) = {
  rdd.mapPartitions(it => Iterator(!it.hasNext)).reduce(_&&_) 
}

它应该在分区数量上进行扩展，并且不像 take(1) 那样干净。 .然而，它对 RDD[Nothing] 类型的 RDD 来说是健壮的。 .

实验:

我使用此代码进行计时。

def time(n : Long, f : (RDD[Long]) => Boolean): Unit = {
  val start = System.currentTimeMillis()
  val rdd = sc.parallelize(1L to n, numSlices = 100)
  val result = f(rdd)
  printf("Time: " + (System.currentTimeMillis() - start) + "   Result: " + result)
}

time(1000000000L, rdd => rdd.take(1).length == 0L)
time(1000000000L, rdd => rdd.mapPartitions(it => Iterator(!it.hasNext)).reduce(_&&_))
time(1000000000L, rdd => rdd.count() == 0L)
time(1000000000L, rdd => rdd.takeSample(true, 1).isEmpty)
time(1000000000L, rdd => rdd.fold(0)(_ + _) == 0L)

time(1L, rdd => rdd.take(1).length == 0L)
time(1L, rdd => rdd.mapPartitions(it => Iterator(!it.hasNext)).reduce(_&&_))
time(1L, rdd => rdd.count() == 0L)
time(1L, rdd => rdd.takeSample(true, 1).isEmpty)
time(1L, rdd => rdd.fold(0)(_ + _) == 0L)

time(0L, rdd => rdd.take(1).length == 0L)
time(0L, rdd => rdd.mapPartitions(it => Iterator(!it.hasNext)).reduce(_&&_))
time(0L, rdd => rdd.count() == 0L)
time(0L, rdd => rdd.takeSample(true, 1).isEmpty)
time(0L, rdd => rdd.fold(0)(_ + _) == 0L)

在我有 3 个工作核心的本地机器上，我得到了这些结果

Time:    21   Result: false
Time:    75   Result: false
Time:  8664   Result: false
Time: 18266   Result: false
Time: 23836   Result: false

Time:   113   Result: false
Time:   101   Result: false
Time:    68   Result: false
Time:   221   Result: false
Time:    46   Result: false

Time:    79   Result: true
Time:    93   Result: true
Time:    79   Result: true
Time:   100   Result: true
Time:    64   Result: true