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，从最后一个非空值填充空列，我假设这有效，给定

(: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))))

是这样的:

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

问题是如何将其转换回JavaRDD类型，使用flambo (spark wrapper)

我尝试了let形式的(f/map result #(.toJavaRDD %))，试图转换为JavaRDD类型

我得到了这个错误

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

是预期的，因为结果是clojure.lang.LazySeq

问题是我如何进行这种转换，或者我如何重构代码以适应这种转换。

下面是一个示例输入rdd:

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

但是看起来像:

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

要求输出:

[["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(不实现ISeq)，所以你不能使用reductions。忽略访问先前记录的整个想法是相当棘手的。首先，您不能直接访问来自另一个分区的值。而且，只有不需要洗牌的变换才能保持顺序。

这里最简单的方法是使用数据帧和窗口函数明确的顺序，但据我所知，Flambo没有实现所需的方法。总是可以使用原始SQL或访问Java/Scala API，但如果你想避免这种情况，你可以尝试以下管道:

首先，让我们创建一个广播变量，每个分区的最后值:

(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)))))

下一步是实际工作的一些帮助器:

(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))))

最后你可以使用fill-pairs到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。一般情况下，它可能是，也可能不是，但没有明确的排序，这可能是你能得到的最好的。

另一种方法是zipWithIndex，交换值的顺序并执行连接与偏移。

(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，您可以使用与前面类似的方法进行映射。

编辑

关于使用原子的快速注释。问题是缺乏参考透明度，并且您正在利用给定实现的附带属性，而不是合同。map语义中没有要求按给定顺序处理元素的内容。如果内部实现发生变化，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))

:相比

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