- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我有一个大规模数据处理问题,我正尝试使用 Java 中的 Apache Spark 来解决。我的输入是一大组相对较小的自定义 Java 对象。
我的 map 步骤对每个对象进行了一些小改动。完成后,它会识别该对象所属的一个或多个等价类。组合起来,可能有数十亿个等价类/对象对。
我的问题是我需要对每个等价类的元素进行不同的操作。这个项目需要支持插件架构,所以我不知道等价类是什么,或者每个类需要发生的不同操作。
我的直觉是使用如下内容:
//Get the input set.
JavaRDD<MyType> input = ... //Not important
//Transform the input into (Equivalence Class, MyType) pairs,
//using strings to store the equivalence class.
JavaPairRDD<String, MyType> classedInput = input.flatMapToPair(
new PairFlatMapFunction<MyType, String, MyType>() {
Iterator<Tuple2<String, MyType>> call(MyType arg) {
List<Tuple2<String, MyType>> out = new ArrayList<>();
//Compute equivalence classes for arg.
for(String eqClz: getEquivalenceClasses(arg)) {
out.add(new Tuple2<String, MyType>(equClz, arg));
}
return out.iterator();
}
});
//Collapse the results for each equivalence class.
JavaPairRDD<String, MyType> output = classedInput.reduceByKey(
new Function2<MyType, MyType, MyType>() {
MyType call(MyType a, MyType b) {
String eqClz = ??? //<= Problem
List<MyModule> modules = MyFramework.getModulesForEqClz(eqClz);
for(MyModule m: modules) {
a = m.merge(a, b);
}
return a;
}
}
);
我希望能够将等价类传递给 reduceByKey 函数,以便使用它来确定需要调用哪些模块。问题是我找不到的 Spark 键控组合器函数都没有将 key 传递给它们的回调。
由于 classedInput 的大小,我想避免使用 MyType 对象保存 key ,或者在映射后添加太多额外的分布式操作。
有没有更像 Spark 的方法来完成我正在尝试的事情?
最佳答案
看来你的问题与"secondary sort"相反问题。我认为它可以通过逆解来解决(下面 2.)。
reduce
函数(或其更完整的版本,aggregate
),它只需要一个关联操作来汇总数据的结果,而不管键是什么。但是,在同一等价类中表达项目分组的详细信息可能会有点复杂。
Tuple2<String, MyType> outValue = new Tuple2<String, MyType>(eqClz, arg);
out.add(new Tuple2<String, Tuple2<String, MyType>>(equClz, outValue));
如果正如您在评论中提到的那样,您担心传输数据时随机播放的大小,那么您可能想要限制的是用作键控结构的表示的大小。我的意思是,按照上面的建议重复值中的键会导致 equClz 变量的两个副本。但是如果是十几个字节,你要缩小的就是关键位置的副本。为此,您可能需要选择长度合适的非加密散列。
您提到每条记录多十几个字节会导致多千兆字节的数据,这应该意味着您最多有几亿条记录,因此最多有几亿个“equClz”值。这很容易被 32 位非加密散列覆盖(您会很容易找到这些的实现,Murmur3,XXHash)。由于 32 位是 4 个字节,它应该将您的传输开销减少至少一个数量级。
关于java - Apache Spark 中按键不同的 Reducer,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/39135672/
目前正在学习 Spark 的类(class)并了解到执行者的定义: Each executor will hold a chunk of the data to be processed. Thisc
阅读了有关 http://spark.apache.org/docs/0.8.0/cluster-overview.html 的一些文档后,我有一些问题想要澄清。 以 Spark 为例: JavaSp
Spark核心中的调度器与以下Spark Stack(来自Learning Spark:Lightning-Fast Big Data Analysis一书)中的Standalone Schedule
我想在 spark-submit 或 start 处设置 spark.eventLog.enabled 和 spark.eventLog.dir -all level -- 不要求在 scala/ja
我有来自 SQL Server 的数据,需要在 Apache Spark (Databricks) 中进行操作。 在 SQL Server 中,此表的三个键列使用区分大小写的 COLLATION 选项
所有这些有什么区别和用途? spark.local.ip spark.driver.host spark.driver.bind地址 spark.driver.hostname 如何将机器修复为 Sp
我有大约 10 个 Spark 作业,每个作业都会进行一些转换并将数据加载到数据库中。必须为每个作业单独打开和关闭 Spark session ,每次初始化都会耗费时间。 是否可以只创建一次 Spar
/Downloads/spark-3.0.1-bin-hadoop2.7/bin$ ./spark-shell 20/09/23 10:58:45 WARN Utils: Your hostname,
我是 Spark 的完全新手,并且刚刚开始对此进行更多探索。我选择了更长的路径,不使用任何 CDH 发行版安装 hadoop,并且我从 Apache 网站安装了 Hadoop 并自己设置配置文件以了解
TL; 博士 Spark UI 显示的内核和内存数量与我在使用 spark-submit 时要求的数量不同 更多细节: 我在独立模式下运行 Spark 1.6。 当我运行 spark-submit 时
spark-submit 上的文档说明如下: The spark-submit script in Spark’s bin directory is used to launch applicatio
关闭。这个问题是opinion-based .它目前不接受答案。 想改善这个问题吗?更新问题,以便可以通过 editing this post 用事实和引文回答问题. 6 个月前关闭。 Improve
我想了解接收器如何在 Spark Streaming 中工作。根据我的理解,将有一个接收器任务在执行器中运行,用于收集数据并保存为 RDD。当调用 start() 时,接收器开始读取。需要澄清以下内容
有没有办法在不同线程中使用相同的 spark 上下文并行运行多个 spark 作业? 我尝试使用 Vertx 3,但看起来每个作业都在排队并按顺序启动。 如何让它在相同的 spark 上下文中同时运行
我们有一个 Spark 流应用程序,这是一项长期运行的任务。事件日志指向 hdfs 位置 hdfs://spark-history,当我们开始流式传输应用程序时正在其中创建 application_X
我们正在尝试找到一种加载 Spark (2.x) ML 训练模型的方法,以便根据请求(通过 REST 接口(interface))我们可以查询它并获得预测,例如http://predictor.com
Spark newb 问题:我在 spark-sql 中进行完全相同的 Spark SQL 查询并在 spark-shell . spark-shell版本大约需要 10 秒,而 spark-sql版
我正在使用 Spark 流。根据 Spark 编程指南(参见 http://spark.apache.org/docs/latest/programming-guide.html#accumulato
我正在使用 CDH 5.2。我可以使用 spark-shell 运行命令。 如何运行包含spark命令的文件(file.spark)。 有没有办法在不使用 sbt 的情况下在 CDH 5.2 中运行/
我使用 Elasticsearch 已经有一段时间了,但使用 Cassandra 的经验很少。 现在,我有一个项目想要使用 Spark 来处理数据,但我需要决定是否应该使用 Cassandra 还是
我是一名优秀的程序员,十分优秀!