是否可以在Apache Spark中创建嵌套的RDD？

Question

我正在尝试在Spark中实现K最近邻算法。我想知道是否可以使用嵌套的RDD。这将使我的生活更加轻松。考虑以下代码片段。

public static void main (String[] args){
//blah blah code
JavaRDD<Double> temp1 = testData.map(
    new Function<Vector,Double>(){
        public Double call(final Vector z) throws Exception{
            JavaRDD<Double> temp2 = trainData.map(
                    new Function<Vector, Double>() {
                        public Double call(Vector vector) throws Exception {
                            return (double) vector.length();
                        }
                    }
            );
            return (double)z.length();
        }    
    }
);
}

目前，此嵌套设置出现错误（我可以在此处发布完整日志）。可以放拳头吗？谢谢

Answer 1

不，这是不可能的，因为RDD的项必须可序列化，而RDD不可序列化。这是有道理的，否则您可能会通过网络传输整个RDD，如果其中包含大量数据，这将是一个问题。如果它不包含很多数据，则可能并且应该使用数组或类似的东西。

但是，我不知道您是如何实现K近邻的…但是要小心：如果您执行诸如计算每两个点之间的距离之类的操作，那么实际上这在数据集大小上是不可扩展的，因为它是O
（n2）。