Spark 中在处理大批量数据排序问题时，如何避免OOM
2021-01-18 17:20
标签：nta map set shu shuf tac size contains order 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 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 这样做也有缺点：即有多少个key，就有多少个Job，占用资源 巧妙利用分区器可以避免多次shuffle Spark 中在处理大批量数据排序问题时，如何避免OOM 标签：nta map set shu shuf tac size contains order 原文地址：https://www.cnblogs.com/yangxusun9/p/12912456.html错误思想
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
//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)
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)
}
}
}
上一篇：python rpc
文章标题：Spark 中在处理大批量数据排序问题时，如何避免OOM
文章链接：http://soscw.com/index.php/essay/43746.html