Spark 闭包参数绑定

我正在 Scala 中使用 Apache Spark。

我在尝试使用第二个 RDD 中的数据操作一个 RDD 时遇到问题。我试图将第二个 RDD 作为参数传递给针对第一个 RDD 进行“映射”的函数，但似乎在该函数上创建的闭包绑定了该值的未初始​​化版本。

以下是一段更简单的代码，显示了我所看到的问题类型。 （我第一次遇到麻烦的真实例子更大且更难理解）。

我不太明白 Spark 闭包的参数绑定规则。

我真正寻找的是一种基本方法或模式，用于如何使用另一个 RDD 的内容（之前在其他地方构建）来操作一个 RDD。

在下面的代码中，调用 Test1.process(sc) 将失败，并在 findSquare 中进行空指针访问（因为闭包中绑定的第二个参数未初始化）

object Test1 {

  def process(sc: SparkContext) {
    val squaresMap = (1 to 10).map(n => (n, n * n))
    val squaresRDD = sc.parallelize(squaresMap)

    val primes = sc.parallelize(List(2, 3, 5, 7))

    for (p <- primes) {
      println("%d: %d".format(p, findSquare(p, squaresRDD)))
    }
  }

  def findSquare(n: Int, squaresRDD: RDD[(Int, Int)]): Int = {
    squaresRDD.filter(kv => kv._1 == n).first._1
  }
}

您遇到的问题与闭包或 RDD 无关，与普遍的看法相反，是可序列化的.

它只是违反了 Spark 的基本规则，该规则规定您不能从另一个操作或转换触发一个操作或转换*，并且这个问题的不同变体已被多次询问。

要理解为什么会出现这种情况，您必须考虑架构：

• SparkContext由驱动程序管理
• 转换中发生的所有事情都在工作人员身上执行。每个工作人员只能访问自己的部分数据，并且不与其他工作人员进行通信**。

如果你想使用多个 RDD 的内容，你必须使用组合 RDD 的转换之一，例如join, cartesian, zip or union.

在这里，您很可能（我不确定为什么您传递元组并仅使用该元组的第一个元素）想要使用广播变量：

val squaresMapBD = sc.broadcast(squaresMap)

def findSquare(n: Int): Seq[(Int, Int)] = {
  squaresMapBD.value
    .filter{case (k, v) => k == n}
    .map{case (k, v) => (n, k)}
    .take(1)
}

primes.flatMap(findSquare)

或笛卡尔：

primes
  .cartesian(squaresRDD)
  .filter{case (n, (k, _)) => n == k}.map{case (n, (k, _)) => (n, k)}

转换primes到虚拟对(Int, null) and join会更有效率：

primes.map((_, null)).join(squaresRDD).map(...)

但根据您的评论，我假设您对存在自然连接条件的场景感兴趣。

根据上下文，您还可以考虑使用数据库或文件来存储常用数据。

顺便说一句，RDD 是不可迭代的，所以你不能简单地使用for环形。为了能够做这样的事情，你必须collect或转换toLocalIterator第一的。您还可以使用foreach method.

* 准确地说你无法访问SparkContext.

** Torrent 广播和树聚合涉及执行者之间的通信，因此在技术上是可行的。