如何将 COGROUP 用于大型数据集

我有两个rdd's namely val tab_a: RDD[(String, String)] and val tab_b: RDD[(String, String)]我在用着cogroup对于那些数据集，例如：

val tab_c = tab_a.cogroup(tab_b).collect.toArray

val updated = tab_c.map { x =>
  {
 //somecode
  }
}

我在用着tab_c地图函数的共同分组值，对于小型数据集它工作得很好，但在大型数据集的情况下它会抛出Out Of Memory exception.

我尝试将最终值转换为 RDD 但没有运气同样的错误

val newcos = spark.sparkContext.parallelize(tab_c)

1.如何使用Cogroup处理大型数据集？

2.我们可以坚持同组价值吗？

Code

 val source_primary_key = source.map(rec => (rec.split(",")(0), rec))
source_primary_key.persist(StorageLevel.DISK_ONLY)

val destination_primary_key = destination.map(rec => (rec.split(",")(0), rec))
destination_primary_key.persist(StorageLevel.DISK_ONLY)

val cos = source_primary_key.cogroup(destination_primary_key).repartition(10).collect()

  var srcmis: Array[String] = new Array[String](0)
var destmis: Array[String] = new Array[String](0)

var extrainsrc: Array[String] = new Array[String](0)
var extraindest: Array[String] = new Array[String](0)

var srcs: String = Seq("")(0)
var destt: String = Seq("")(0)

val updated = cos.map { x =>
  {

    val key = x._1
    val value = x._2

    srcs = value._1.mkString(",")
    destt = value._2.mkString(",")

    if (srcs.equalsIgnoreCase(destt) == false && destt != "") {
      srcmis :+= srcs
      destmis :+= destt

    }

    if (srcs == "") {

      extraindest :+= destt.mkString("")
    }

    if (destt == "") {

      extrainsrc :+= srcs.mkString("")
    }

  }

}

代码更新：

  val tab_c = tab_a.cogroup(tab_b).filter(x => x._2._1 =!= x => x._2._2)
 // tab_c = {1,Compactbuffer(1,john,US),Compactbuffer(1,john,UK)}
      {2,Compactbuffer(2,john,US),Compactbuffer(2,johnson,UK)}..

ERROR:

 ERROR LiveListenerBus: SparkListenerBus has already stopped! Dropping event SparkListenerTaskEnd(4,3,ResultTask,FetchFailed(null,0,-1,27,org.apache.spark.shuffle.MetadataFetchFailedException: Missing an output location for shuffle 0
at org.apache.spark.MapOutputTracker$$anonfun$org$apache$spark$MapOutputTracker$$convertMapStatuses$2.apply(MapOutputTracker.scala:697)
at org.apache.spark.MapOutputTracker$$anonfun$org$apache$spark$MapOutputTracker$$convertMapStatuses$2.apply(MapOutputTracker.scala:693)


ERROR YarnScheduler: Lost executor 8 on datanode1: Container killed by YARN for exceeding memory limits. 1.0 GB of 1020 MB physical memory used. Consider boosting spark.yarn.executor.memoryOverhead.

谢谢

当你使用collect()您基本上是在告诉 Spark 将所有结果数据移回主节点，这很容易产生瓶颈。此时您不再使用 Spark，而只是单台计算机中的普通数组。

要触发计算，只需使用需要每个节点的数据的东西，这就是执行器位于分布式文件系统之上的原因。例如saveAsTextFile().

以下是一些基本示例。 https://spark.apache.org/examples.html

请记住，这里的整个目标（也就是说，如果您有大数据）是将代码移动到您的数据并在那里进行计算，而不是将所有数据都进行计算。