从clojure.lang.LazySeq转换为org.apache.spark.api.java.JavaRDD类型

Question

我在clojure中开发了一个函数，用于从最后一个非空值中填充一个空列，假设这是可行的。

(:require [flambo.api :as f])

(defn replicate-val
  [ rdd input ]
  (let [{:keys [ col ]} input
    result (reductions (fn [a b]
                         (if (empty? (nth b col))
                           (assoc b col (nth a col))
                           b)) rdd )]
(println "Result type is: "(type result))))

得到了这个：

;=> "Result type is:  clojure.lang.LazySeq"

问题是如何使用flambo (火花包装)将其转换回JavaRDD类型。

我在let表单中尝试将let类型转换为JavaRDD类型

我犯了这个错误

"No matching method found: map for class clojure.lang.LazySeq"

这是预期的，因为结果是clojure.lang.LazySeq类型。

问题是如何进行此转换，或如何重构代码以容纳此转换。

下面是一个示例输入rdd：

(type rdd) ;=> "org.apache.spark.api.java.JavaRDD"

但看起来：

[["04" "2" "3"] ["04" "" "5"] ["5" "16" ""] ["07" "" "36"] ["07" "" "34"] ["07" "25" "34"]]

所需产出是：

[["04" "2" "3"] ["04" "2" "5"] ["5" "16" ""] ["07" "16" "36"] ["07" "16" "34"] ["07" "25" "34"]]

谢谢。

Answer 1

首先，RDD是不可迭代的(不要实现ISeq)，因此不能使用reductions。忽略访问先前记录的整个想法是相当棘手的。首先，您不能直接从另一个分区访问值。此外，只有不需要洗牌的转换才能保持秩序。

这里最简单的方法是使用具有显式顺序的数据帧和窗口函数，但据我所知，Flambo并不实现所需的方法。始终可以使用原始SQL或访问Java/Scala，但如果要避免这种情况，可以尝试使用以下管道。

首先，让我们用每个分区的最后一个值创建一个广播变量：

(require '[flambo.broadcast :as bd])
(import org.apache.spark.TaskContext)

(def last-per-part (f/fn [it]
  (let [context (TaskContext/get) xs (iterator-seq it)]
  [[(.partitionId context) (last xs)]])))

(def last-vals-bd
 (bd/broadcast sc
   (into {} (-> rdd (f/map-partitions last-per-part) (f/collect)))))

接下来是实际工作的助手：

(defn fill-pair [col]
  (fn [x] (let [[a b] x] (if (empty? (nth b col)) (assoc b col (nth a col)) b))))

(def fill-pairs
  (f/fn [it] (let [part-id (.partitionId (TaskContext/get)) ;; Get partion ID
                   xs (iterator-seq it) ;; Convert input to seq
                   prev (if (zero? part-id) ;; Find previous element
                     (first xs) ((bd/value last-vals-bd) part-id))        
                   ;; Create seq of pairs (prev, current)
                   pairs (partition 2 1 (cons prev xs))
                   ;; Same as before
                   {:keys [ col ]} input
                   ;; Prepare mapping function
                   mapper (fill-pair col)]
               (map mapper pairs))))

最后，您可以使用fill-pairs来实现map-partitions

(-> rdd (f/map-partitions fill-pairs) (f/collect))

这里隐藏的一个假设是分区的顺序遵循值的顺序。在一般情况下，它可能是也可能不是，但是如果没有明确的排序，它可能是您所能得到的最好的。

另一种方法是使用zipWithIndex，交换值的顺序并使用偏移量执行连接。

(require '[flambo.tuple :as tp])

(def rdd-idx (f/map-to-pair (.zipWithIndex rdd) #(.swap %)))

(def rdd-idx-offset
  (f/map-to-pair rdd-idx
    (fn [t] (let [p (f/untuple t)] (tp/tuple (dec' (first p)) (second p))))))

(f/map (f/values (.rightOuterJoin rdd-idx-offset rdd-idx)) f/untuple)

接下来，您可以使用类似的方法进行映射。

编辑

快速记录on using atoms。问题是，缺乏引用透明度，而且您正在利用给定实现的附带属性，而不是契约。map语义中没有任何东西需要按给定的顺序处理元素。如果内部实现发生更改，则可能不再有效。使用Clojure

(defn foo [x] (let [aa @a] (swap! a (fn [&args] x)) aa))

(def a (atom 0))
(map foo (range 1 20))

与之相比：

(def a (atom 0))
(pmap foo (range 1 20))