Spark 中在处理大批量数据排序问题时，如何避免OOM

Posted 2021-02-18 yangxusun9

错误思想

举个列子，当我们想要比较  一个  类型为  RDD[(Long, (String, Int))]   的RDD，让它先按Long分组，然后按int的值进行倒序排序，最容易想到的思维就是先分组，然后把Iterable  转换为 list，然后sortby,但是这样却有一个致命的缺点，就是Iterable 在内存中是一个指针，不占内存，而list是一个容器，占用内存，如果Iterable 含有元素过多，那么极易引起OOM

 val cidAndSidCountGrouped: RDD[(Long, Iterable[(String, Int)])] = cidAndSidCount.groupByKey()
        // 4. 排序, 取top10
        val result: RDD[(Long, List[(String, Int)])] = cidAndSidCountGrouped.map {
            case (cid, sidCountIt) =>
                // sidCountIt 排序, 取前10
                // Iterable转成容器式集合的时候, 如果数据量过大, 极有可能导致oom
                (cid, sidCountIt.toList.sortBy(-_._2).take(5))
        }

方法一：利用RDD排序特点

首先，我们要知道，RDD 的排序需要 shuffle, 是采用了内存+磁盘来完成的排序.这样能有效避免OOM的风险，但是RDD是全部排序，所以需要针对性的过滤Key值来进行排序

 //把long（即key值）提取出来
        val cids: List[Long] = categoryCountList.map(_.cid.toLong)
        val buffer: ListBuffer[(Long, List[(String, Int)])] = ListBuffer[(Long, List[(String, Int)])]()
        //根据每个key来过滤RDD
        for (cid <- cids) {
            /*
            List((15,(632972a4-f811-4000-b920-dc12ea803a41,10)), (15,(f34878b8-1784-4d81-a4d1-0c93ce53e942,8)), (15,(5e3545a0-1521-4ad6-91fe-e792c20c46da,8)), (15,(66a421b0-839d-49ae-a386-5fa3ed75226f,8)), (15,(9fa653ec-5a22-4938-83c5-21521d083cd0,8)))
            目标:
            (9,List((199f8e1d-db1a-4174-b0c2-ef095aaef3ee,9), (329b966c-d61b-46ad-949a-7e37142d384a,8), (5e3545a0-1521-4ad6-91fe-e792c20c46da,8), (e306c00b-a6c5-44c2-9c77-15e919340324,7), (bed60a57-3f81-4616-9e8b-067445695a77,7)))
             */
            val arr: Array[(String, Int)] = cidAndSidCount.filter(cid == _._1)
                .sortBy(-_._2._2)
                .take(5)
                .map(_._2)
            buffer += ((cid, arr.toList))
        }
        buffer.foreach(println)

这样做也有缺点：即有多少个key，就有多少个Job，占用资源

方法二：利用TreeSet自动排序的特性

 def statCategoryTop10Session_3(sc: SparkContext,
                                   categoryCountList: List[CategroyCount],
                                   userVisitActionRDD: RDD[UserVisitAction]) = {
        // 1. 过滤出来 top10品类的所有点击记录
        // 1.1 先map出来top10的品类id
        val cids = categoryCountList.map(_.cid.toLong)
        val topCategoryActionRDD: RDD[UserVisitAction] = userVisitActionRDD.filter(action => cids.contains(action.click_category_id))


        // 2. 计算每个品类 下的每个session 的点击量  rdd ((cid, sid) ,1)
        val cidAndSidCount: RDD[(Long, (String, Int))] = topCategoryActionRDD
            .map(action => ((action.click_category_id, action.session_id), 1))
            // 使用自定义分区器  重点理解分区器的原理
            .reduceByKey(new CategoryPartitioner(cids), _ + _)
            .map {
                case ((cid, sid), count) => (cid, (sid, count))
            }
        
        // 3. 排序取top10
//因为已经按key分好了区，所以用Mappartitions ，在每个分区中新建一个TreeSet即可
        val result: RDD[(Long, List[SessionInfo])] = cidAndSidCount.mapPartitions((it: Iterator[(Long, (String, Int))]) => {
//new 一个TreeSet，并同时指定排序规则
     var treeSet: mutable.TreeSet[CategorySession] = new mutable.TreeSet[CategorySession]()(new Ordering[CategorySession] {
                    override def compare(x: CategorySession, y: CategorySession): Int = {
                        if (x.clickCount >= y.clickCount) -1 else 1
                    }
                })
     var id = 0l
    iter.foreach({
        case (l, session) => {
            id = l
            treeSet.add(session)
        if (treeSet.size > 10) treeSet = treeSet.take(10)
                    }
                })
                Iterator(id, treeSet)
            })
    
        result.collect.foreach(println)
        
        Thread.sleep(1000000)
    }
}

/*
根据传入的key值来决定分区号，让相同key进入相同的分区，能够避免多次shuffle
 */
class CategoryPartitioner(cids: List[Long]) extends Partitioner {
    // 用cid索引, 作为将来他的分区索引.
    private val cidWithIndex: Map[Long, Int] = cids.zipWithIndex.toMap
    
    // 返回集合的长度
    override def numPartitions: Int = cids.length
    
    // 根据key返回分区的索引
    override def getPartition(key: Any): Int = {
        key match {
            // 根据品类id返回分区的索引!    0-9
            case (cid: Long, _) =>
                cidWithIndex(cid)
        }
    }
}

 

巧妙利用分区器可以避免多次shuffle