按“内部”分区键进行有效分组

Posted 2023-03-27

【中文标题】按“内部”分区键进行有效分组

【英文标题】：Efficient grouping by key "within" partitions

【发布时间】：2014-09-28 19:50:39

【问题描述】：

我正在尝试调整流程以激发火花。 基本上，该过程分析来自 JDBC 数据源的批量数据 每条记录都有一个batchId，还有一个更高级别的groupId。

批次数量很大（预先未知）。

组数约为 100。

每个批次的记录数可以容纳在 RAM 中。

实际分析代码无所谓，但不适合reduceByKey或combineByKey等更具体的模型

我的想法是：

使用jdbcRdd读取数据，使用“group id”进行分区

使用 group by batchId 准备数据

使用地图应用业务逻辑。

瓶颈似乎是 groupByKey，据我了解，这将强制进行洗牌（将数据写入磁盘） - 即使每个批次都包含在单个分区中。

另一种可能的方法是使用 batchId 进行分区，但这会创建大量的分区 - 因此会产生大量的查询

有没有办法在分区内按键执行分组？ 还有其他可能的方法吗？

【问题讨论】：

您几乎可以使用RDD 上的mapPartitions() 方法对每个分区执行任何操作——您只需提供一个函数，该函数对分区数据进行迭代并在结果中返回一个迭代器数据，可以是不同的类型。您可以通过地图进行分组，当您处理完所有输入后将其发回。

【参考方案1】：

是的，您需要使用 mapPartitions。您可以访问分区中所有记录的迭代器。您只是从那里编写 Scala 代码，并且可以做您喜欢做的事情，包括建立一个批次 ID 到记录的 Map。请注意，这必须适合内存，但如果这很重要，您始终可以减小分区大小。