apache-spark - 无法压缩分区数不等的 RDD

Question

现在我有 3 个这样的 RDD:

rdd1:

1 2
3 4
5 6
7 8
9 10

rdd2:

11 12
13 14

rdd3:

15 16
17 18
19 20

我想这样做:

rdd1.zip(rdd2.union(rdd3))

我希望结果是这样的:

1 2 11 12
3 4 13 14
5 6 15 16
7 8 17 18
9 10 19 20

但我有这样的异常(exception):

Exception in thread "main" java.lang.IllegalArgumentException: Can't zip RDDs with unequal numbers of partitions

有人告诉我我可以毫无异常(exception)地做到这一点:

rdd1.zip(rdd2.union(rdd3).repartition(1))

不过好像有点小成本。所以我想知道是否有其他方法可以解决这个问题。

Answer 1

我不确定您所说的“成本”是什么意思，但您怀疑 repartition(1) 是对的。不是正确的解决方案。它会将 RDD 重新分区为单个分区。

如果您的数据不能放在一台机器上，这将失败。

它仅适用于 rdd1有一个分区。当您有更多数据时，这可能不再成立。

repartition执行 shuffle，因此您的数据最终可能会以不同的方式排序。

我认为正确的解决方案是放弃使用 zip ，因为您可能无法确保分区匹配。创建 key 并使用 join反而:

val indexedRDD1 = rdd1.zipWithIndex.map { case (v, i) => i -> v }
val indexedRDD2 = rdd2.zipWithIndex.map { case (v, i) => i -> v }
val offset = rdd2.count
val indexedRDD3 = rdd3.zipWithIndex.map { case (v, i) => (i + offset) -> v }
val combined =
  indexedRDD1.leftOuterJoin(indexedRDD2).leftOuterJoin(indexedRDD3).map {
    case (i, ((v1, v2Opt), v3Opt)) => i -> (v1, v2Opt.getOrElse(v3Opt.get))
  }

无论分区如何，这都将起作用。如果您愿意，可以对结果进行排序并删除最后的索引:

val unindexed = combined.sortByKey().values