如何使用scala或python在apache Spark中运行多线程作业？

我面临着与 Spark 并发相关的问题，这阻止了我在生产中使用它，但我知道有一种解决方法。我正在尝试使用订单历史记录对 700 万用户的 10 亿种产品运行 Spark ALS。首先，我获取不同用户的列表，然后对这些用户运行循环以获取推荐，这是一个非常缓慢的过程，需要几天时间才能为所有用户获取推荐。我尝试使用笛卡尔用户和产品来一次性获得所有人的推荐，但再次将其提供给elasticsearch，我必须为每个用户过滤和排序记录，只有这样我才能将其提供给elasticsearch以供其他API使用。

因此，请向我推荐一个在此类用例中具有相当可扩展性的解决方案，并且可以在生产中使用并提供实时建议。

这是我在 scala 中的代码片段，它可以让您了解我目前如何解决该问题：

  //    buy_values -> RDD with Rating(<int user_id>, <int product_id>, <double rating>)
  def recommend_for_user(user: Int): Unit = {
      println("Recommendations for User ID: " + user);
      // Product IDs which are not bought by user 
      val candidates = buys_values
        .filter(x => x("customer_id").toString.toInt != user)
        .map(x => x("product_id").toString.toInt)
        .distinct().map((user, _))
      // find 30 products with top rating
      val recommendations = bestModel.get
        .predict(candidates)
        .takeOrdered(30)(Ordering[Double].reverse.on(x => x.rating))

      var i = 1
      var ESMap = Map[String, String]()
      recommendations.foreach { r =>
        ESMap += r.product.toString -> bitem_ids.value(r.product)
      }
      //  push to elasticsearch with user as id
      client.execute {
        index into "recommendation" / "items" id user fields ESMap
      }.await
      // remove candidate RDD from memory
      candidates.unpersist()
  }
  // iterate on each user to get recommendations for the user [slow process]
  user_ids.foreach(recommend_for_user)

很明显，程序中的瓶颈是搜索candidates。鉴于 Spark 架构，它严重限制了并行化的能力，并通过为每个用户启动 Spark 作业增加了大量开销。

假设典型场景，700 万用户 and 十亿种产品大多数时候，您会预测整个范围的产品，减去用户已经购买的少数产品。至少在我看来，重要的问题是为什么还要费心过滤。即使你推荐以前买过的产品，真的有害吗？

除非你有非常严格的要求，否则我会简单地忽略这个问题并使用MatrixFactorizationModel.recommendProductsForUsers https://spark.apache.org/docs/1.4.0/api/scala/index.html#org.apache.spark.mllib.recommendation.MatrixFactorizationModel它几乎可以为您完成所有工作（不包括数据导出）。之后，您可以执行批量导出，一切顺利。

现在假设您有明确的无重复政策。假设典型用户仅购买相对少量的产品，您可以从为每个用户获取一组产品开始：

val userProdSet = buy_values
    .map{case (user, product, _) => (user, product)} 
    .aggregateByKey(Set.empty[Int])((s, e) => s + e, (s1, s2) => s1 ++ s2)

接下来你可以简单地映射userProdSet获得预测：

// Number of predictions for each user
val nPred = 30;

userProdSet.map{case (user, prodSet) => {
    val recommended = model
         // Find recommendations for user
        .recommendProducts(_, nPred + prodSet.size))
        // Filter to remove already purchased 
        .filter(rating => !prodSet.contains(rating.product))
        // Sort and limit
        .sortBy(_.rating)
        .reverse
        .take(nPred)
    (user, recommended)
}}

您可以通过使用可变集进行聚合和广播模型来进一步改进，但这只是一般想法。

如果用户数量user_ids小于整组用户数（buy_values）你可以简单地过滤userProdSet仅保留一部分用户。