火花。将 RDD 拆分为批次答案

【问题标题】：Spark. Split RDD into batches火花。将 RDD 拆分为批次
【发布时间】：2018-04-26 05:45:08
【问题描述】：

我有 RDD，其中每条记录都是 int：

[0,1,2,3,4,5,6,7,8]

我需要做的就是将这个 RDD 分成多个批次。 IE。制作另一个 RDD，其中每个元素都是固定大小的元素列表：

[[0,1,2], [3,4,5], [6,7,8]]

这听起来微不足道，但是，这几天我很困惑，除了以下解决方案之外找不到任何东西：

使用 ZipWithIndex 枚举 RDD 中的记录：

[0,1,2,3,4,5] -> [(0, 0),(1, 1),(2, 2),(3, 3),(4, 4),(5, 5)]
使用 map() 遍历这个 RDD 并计算像 index = int(index / batchSize) 这样的索引

[1,2,3,4,5,6] -> [(0, 0),(0, 1),(0, 2),(1, 3),(1, 4),(1, 5)]
然后按生成的索引分组。

[(0, [0,1,2]), (1, [3,4,5])]

这将得到我需要的东西，但是，我不想在这里使用 group by。当您使用普通的 Map Reduce 或 Apache Crunch 之类的抽象时，这很简单。但是有没有办法在 Spark 中产生类似的结果而不使用大量的 group by？

【问题讨论】：

您可以 a) 应用多个过滤器； b) 使用自定义分区器并从每个分区创建 RDD。虽然我无法想象你为什么需要固定大小的 RDD。
@khachik 您能否详细说明“应用多个过滤器”和“实现自定义分区器”？我不需要固定大小的 RDD。我需要 RDD 中的每条记录都是记录数组（批处理）。这是必需的，因为我的数学模型消耗的不是单条记录，而是一批记录并返回一批预测。

标签： apache-spark rdd batching

【解决方案1】：

您没有清楚地解释为什么需要固定大小的 RDD，这取决于您要完成的工作可能会有更好的解决方案，但要回答已提出的问题，我看到以下选项：
1）根据项目数量和批量大小实施过滤器。例如，如果您在原始 RDD 中有 1000 个项目并希望将它们分成 10 个批次，您最终将应用 10 个过滤器，第一个检查索引是否为 [0, 99]，第二个检查索引是否为 [100, 199]等等。应用每个过滤器后，您将拥有一个 RDD。需要注意的是，原始 RDD 可能会在过滤之前被缓存。优点：每个生成的 RDD 可以单独处理，不必在一个节点上完全分配。缺点：这种方法会随着批次数量的增加而变慢。
2) 逻辑上与此类似，但不是过滤器，您只需实现一个自定义分区器，该分区器根据索引（键）返回分区 id，如下所述：Custom partitioner for equally sized partitions。优点：比过滤器快。缺点：每个分区必须适合一个节点。
3）如果原始RDD中的顺序不重要，只需要大致相等的分块，你可以合并/重新分区，这里解释https://jaceklaskowski.gitbooks.io/mastering-apache-spark/spark-rdd-partitions.html

【讨论】：

非常感谢您的详细解释。让我为您提供更多背景信息。我有一些机器学习模型，它最多需要 1K 条记录作为输入，做一些魔术并返回相同数量的记录。我需要做的就是使用此模型对我的 RDD 中的所有记录进行“评分”。所以基本上这就是为什么我需要将原始 RDD 分成块。每个块应包含不超过 1000 条记录。它是否不符合 Spark 范式？我大部分时间都在使用 Crunch / MapReduce，那里没有这样的问题。提前致谢

【解决方案2】：

也许你可以使用aggregateByKey，在这种情况下它比groupByKey 更快更轻量级。我尝试在 10 个 executor 上将 5 亿条数据拆分成 256 个大小的批次，只需要半个小时就可以完成。

data = data.zipWithIndex().map(lambda x: (x[1] / 256, x[0]))
data = data.aggregateByKey(list(), lambda x, y: x + [y], add)

有关详细信息，请参阅 Spark difference between reduceByKey vs groupByKey vs aggregateByKey vs combineByKey

【讨论】：