太多的map键导致内存溢出异常

Question

我有一个形式为RDD[（Vector[（Int， Byte）]， Vector[（Int， Byte）]]的RDD'inRDD'，它是一个PairRDD（key， value）其中key是Vector[（Int， Byte）]，value是Vector[（Int， Byte）]。

对于键向量字段中的每个元素（Int，Byte），以及值向量字段中的每个元素（Int，Byte），我想在输出RDD中获得一个新的（键，值）对，作为（Int，Int），（Byte，Byte）。

这应该会给我一个RDD，它的形式是RDD[（（Int，Int），（Byte，Byte））]。

例如，inRDD内容可能是这样的，

(Vector((3,2)),Vector((4,2))), (Vector((2,3), (3,3)),Vector((3,1))), (Vector((1,3)),Vector((2,1))), (Vector((1,2)),Vector((2,2), (1,2)))

这将成为

((3,4),(2,2)), ((2,3),(3,1)), ((3,3),(3,1)), ((1,2),(3,1)), ((1,2),(2,2)), ((1,1),(2,2))

我有下面的代码。

val outRDD = inRDD.flatMap {                                        
    case (left, right) =>
    for ((ll, li) <- left; (rl, ri) <- right) yield {
        (ll,rl) -> (li,ri)
    }
}

当inRDD中的向量很小时，它就起作用。但是当向量中有很多元素时，我会得到内存不足异常。增加spark的可用内存只能解决较小的输入，而对于更大的输入，错误再次出现。看起来我正试图在内存中组装一个巨大的结构。我无法以任何其他方式重写此代码。

我用hadoop中的java实现了类似的逻辑，如下所示。

for (String fromValue : fromAssetVals) {
    fromEntity = fromValue.split(":")[0];
    fromAttr = fromValue.split(":")[1];
    for (String toValue : toAssetVals) {
        toEntity = toValue.split(":")[0];
        toAttr = toValue.split(":")[1];
        oKey = new Text(fromEntity.trim() + ":" + toEntity.trim());
        oValue = new Text(fromAttr + ":" + toAttr);
        outputCollector.collect(oKey, oValue);
    }
}

但是，当我尝试在火花类似的东西，我得到嵌套rdd异常。

使用scala的spark如何有效地做到这一点？




Answer 1

如果笛卡尔积是唯一的选择，你至少可以让它更懒一点：

inRDD.flatMap { case (xs, ys) =>
  xs.toIterator.flatMap(x => ys.toIterator.map(y => (x, y)))
}

你也可以在Spark级别处理这个问题

import org.apache.spark.RangePartitioner

val indexed = inRDD.zipWithUniqueId.map(_.swap)
val partitioner = new RangePartitioner(indexed.partitions.size, indexed)
val partitioned = indexed.partitionBy(partitioner)

val lefts = partitioned.flatMapValues(_._1)
val rights = partitioned.flatMapValues(_._2)

lefts.join(rights).values