Spark：测试 RDD 是否为空的有效方法

没有一个isEmptyRDD 上的方法，那么测试 RDD 是否为空的最有效方法是什么？

RDD.isEmpty() https://issues.apache.org/jira/browse/SPARK-5270将成为 Spark 1.3.0 的一部分。

根据中的建议这个 apache 邮件线程 http://mail-archives.apache.org/mod_mbox/spark-user/201402.mbox/%3CCAKDwOakbF9pop+pN8XzF6iT1OPc383+aWcTf2a6t=rH8srxRLg@mail.gmail.com%3E以及后来对这个答案的一些评论，我做了一些小的本地实验。最好的方法是使用take(1).length==0.

def isEmpty[T](rdd : RDD[T]) = {
  rdd.take(1).length == 0 
}

它应该运行在O(1)除非 RDD 为空，在这种情况下，它的分区数量是线性的。

感谢乔什·罗森和尼克·查马斯向我指出了这一点。

注意：如果 RDD 类型为RDD[Nothing] e.g. isEmpty(sc.parallelize(Seq()))，但这在现实生活中可能不是问题。isEmpty(sc.parallelize(Seq[Any]()))工作正常。

Edits:

• Edit 1: Added take(1)==0方法，感谢评论。

我原来的建议： Use mapPartitions.

def isEmpty[T](rdd : RDD[T]) = {
  rdd.mapPartitions(it => Iterator(!it.hasNext)).reduce(_&&_) 
}

它应该扩大分区的数量，并且不像take(1)。然而，它对于 RDD 类型来说是鲁棒的RDD[Nothing].

实验：

我用这个代码来计时。

def time(n : Long, f : (RDD[Long]) => Boolean): Unit = {
  val start = System.currentTimeMillis()
  val rdd = sc.parallelize(1L to n, numSlices = 100)
  val result = f(rdd)
  printf("Time: " + (System.currentTimeMillis() - start) + "   Result: " + result)
}

time(1000000000L, rdd => rdd.take(1).length == 0L)
time(1000000000L, rdd => rdd.mapPartitions(it => Iterator(!it.hasNext)).reduce(_&&_))
time(1000000000L, rdd => rdd.count() == 0L)
time(1000000000L, rdd => rdd.takeSample(true, 1).isEmpty)
time(1000000000L, rdd => rdd.fold(0)(_ + _) == 0L)

time(1L, rdd => rdd.take(1).length == 0L)
time(1L, rdd => rdd.mapPartitions(it => Iterator(!it.hasNext)).reduce(_&&_))
time(1L, rdd => rdd.count() == 0L)
time(1L, rdd => rdd.takeSample(true, 1).isEmpty)
time(1L, rdd => rdd.fold(0)(_ + _) == 0L)

time(0L, rdd => rdd.take(1).length == 0L)
time(0L, rdd => rdd.mapPartitions(it => Iterator(!it.hasNext)).reduce(_&&_))
time(0L, rdd => rdd.count() == 0L)
time(0L, rdd => rdd.takeSample(true, 1).isEmpty)
time(0L, rdd => rdd.fold(0)(_ + _) == 0L)

在我的具有 3 个工作核心的本地计算机上，我得到了这些结果

Time:    21   Result: false
Time:    75   Result: false
Time:  8664   Result: false
Time: 18266   Result: false
Time: 23836   Result: false

Time:   113   Result: false
Time:   101   Result: false
Time:    68   Result: false
Time:   221   Result: false
Time:    46   Result: false

Time:    79   Result: true
Time:    93   Result: true
Time:    79   Result: true
Time:   100   Result: true
Time:    64   Result: true