Spark 按列字数统计

我们正在尝试在 Spark 中生成数据集的按列统计数据。除了使用统计库中的汇总功能之外。我们正在使用以下程序：

1. 我们确定具有字符串值的列

2. 生成整个数据集的键值对，使用列号作为键，列的值作为值

3. 生成新的格式映射

   (K,V) ->((K,V),1)

然后我们使用reduceByKey来查找所有列中所有唯一值的总和。我们缓存此输出以减少进一步的计算时间。

在下一步中，我们使用 for 循环循环遍历列以查找所有列的统计信息。

我们正在尝试再次利用map reduce方式来减少for循环，但我们无法找到某种方法来实现它。这样做将使我们能够在一次执行中生成所有列的列统计信息。 for 循环方法是按顺序运行的，因此速度非常慢。

Code:

//drops the header

    def dropHeader(data: RDD[String]): RDD[String] = {
         data.mapPartitionsWithIndex((idx, lines) => {
           if (idx == 0) {
             lines.drop(1)
           }
           lines
         })
       }

    def retAtrTuple(x: String) = {
       val newX = x.split(",")
       for (h <- 0 until newX.length) 
          yield (h,newX(h))
    }



    val line = sc.textFile("hdfs://.../myfile.csv")

    val withoutHeader: RDD[String] = dropHeader(line)

    val kvPairs = withoutHeader.flatMap(retAtrTuple) //generates a key-value pair where key is the column number and value is column's value


    var bool_numeric_col = kvPairs.map{case (x,y) => (x,isNumeric(y))}.reduceByKey(_&&_).sortByKey()    //this contains column indexes as key and boolean as value (true for numeric and false for string type)

    var str_cols = bool_numeric_col.filter{case (x,y) => y == false}.map{case (x,y) => x}
    var num_cols = bool_numeric_col.filter{case (x,y) => y == true}.map{case (x,y) => x}

    var str_col = str_cols.toArray   //array consisting the string col
    var num_col = num_cols.toArray   //array consisting numeric col


    val colCount = kvPairs.map((_,1)).reduceByKey(_+_)
    val e1 = colCount.map{case ((x,y),z) => (x,(y,z))}
    var numPairs = e1.filter{case (x,(y,z)) => str_col.contains(x) }

    //running for loops which needs to be parallelized/optimized as it sequentially operates on each column. Idea is to find the top10, bottom10 and number of distinct elements column wise
    for(i <- str_col){
       var total = numPairs.filter{case (x,(y,z)) => x==i}.sortBy(_._2._2)
       var leastOnes = total.take(10)
       println("leastOnes for Col" + i)
       leastOnes.foreach(println)
       var maxOnes = total.sortBy(-_._2._2).take(10)
       println("maxOnes for Col" + i)
       maxOnes.foreach(println)
       println("distinct for Col" + i + " is " + total.count)
    }

让我稍微简化一下你的问题。 （实际上很多。）我们有一个RDD[(Int, String)]我们想要找到最常见的前 10 个Strings 为每个Int（均在 0–100 范围内）。

与您的示例中所示的排序不同，使用 Spark 内置的效率更高RDD.top(n)方法。它的运行时间与数据大小成线性关系，并且需要移动的数据比排序少得多。

考虑实施top in RDD.scala https://github.com/apache/spark/blob/v1.2.0/core/src/main/scala/org/apache/spark/rdd/RDD.scala#L1113。您想要执行相同的操作，但每个优先级队列（堆）Int钥匙。代码变得相当复杂：

import org.apache.spark.util.BoundedPriorityQueue // Pretend it's not private.

def top(n: Int, rdd: RDD[(Int, String)]): Map[Int, Iterable[String]] = {
  // A heap that only keeps the top N values, so it has bounded size.
  type Heap = BoundedPriorityQueue[(Long, String)]
  // Get the word counts.
  val counts: RDD[[(Int, String), Long)] =
    rdd.map(_ -> 1L).reduceByKey(_ + _)
  // In each partition create a column -> heap map.
  val perPartition: RDD[Map[Int, Heap]] =
    counts.mapPartitions { items =>
      val heaps =
        collection.mutable.Map[Int, Heap].withDefault(i => new Heap(n))
      for (((k, v), count) <- items) {
        heaps(k) += count -> v
      }
      Iterator.single(heaps)
    }
  // Merge the per-partition heap maps into one.
  val merged: Map[Int, Heap] =
    perPartition.reduce { (heaps1, heaps2) =>
      val heaps =
        collection.mutable.Map[Int, Heap].withDefault(i => new Heap(n))
      for ((k, heap) <- heaps1.toSeq ++ heaps2.toSeq) {
        for (cv <- heap) {
          heaps(k) += cv
        }
      }
      heaps
    }
  // Discard counts, return just the top strings.
  merged.mapValues(_.map { case(count, value) => value })
}

这很有效，但也很痛苦，因为我们需要同时处理多个列。拥有一个会更容易RDD每列只需调用rdd.top(10)在各个。

不幸的是，将 RDD 分割成 N 个更小的 RDD 的简单方法需要执行 N 遍：

def split(together: RDD[(Int, String)], columns: Int): Seq[RDD[String]] = {
  together.cache // We will make N passes over this RDD.
  (0 until columns).map {
    i => together.filter { case (key, value) => key == i }.values
  }
}

更有效的解决方案可能是按键将数据写出到单独的文件中，然后将其加载回单独的 RDD 中。这在中讨论按 Spark 键写入多个输出 - 一个 Spark 作业 https://stackoverflow.com/questions/23995040/write-to-multiple-outputs-by-key-spark-one-spark-job.