10

我无法理解 Spark 如何与存储交互。

我想创建一个从 RocksDB 数据库（或任何其他键值存储）中获取数据的 Spark 集群。但是，此时，我能做的最好的事情就是将整个数据集从数据库中提取到每个集群节点的内存中（例如，放入地图中），然后从该对象构建一个 RDD。

我必须做什么才能只获取必要的数据（就像 Spark 对 HDFS 所做的那样）？我已经阅读了有关 Hadoop 输入格式和记录读取器的信息，但我并没有完全掌握我应该实现的内容。

我知道这是一个广泛的问题，但我非常感谢一些帮助让我开始。先感谢您。

4

1 回答 1

7

这是一种可能的解决方案。我假设您有要访问的键值存储（在您的情况下为 RocksDB）的客户端库。
KeyValuePair表示一个 bean 类，表示您的键值存储中的一个键值对。

课程 

/*Lazy iterator to read from KeyValue store*/
class KeyValueIterator implements Iterator<KeyValuePair> {
    public KeyValueIterator() {
        //TODO initialize your custom reader using java client library
    }
    @Override
    public boolean hasNext() {
        //TODO
    }

    @Override
    public KeyValuePair next() {
        //TODO
    }
}
class KeyValueReader implements FlatMapFunction<KeyValuePair, KeyValuePair>() {
    @Override
    public Iterator<KeyValuePair> call(KeyValuePair keyValuePair) throws Exception {
        //ignore empty 'keyValuePair' object
        return new KeyValueIterator();
    }
}

创建 KeyValue RDD

/*list with a dummy KeyValuePair instance*/
ArrayList<KeyValuePair> keyValuePairs = new ArrayList<>();
keyValuePairs.add(new KeyValuePair());
JavaRDD<KeyValuePair> keyValuePairRDD = javaSparkContext.parallelize(keyValuePairs);
/*Read one key-value pair at a time lazily*/    
keyValuePairRDD = keyValuePairRDD.flatMap(new KeyValueReader());

笔记：

上述解决方案默认创建一个具有两个分区的 RDD（其中一个为空）。在应用任何转换之前增加分区keyValuePairRDD以在执行程序之间分配处理。增加分区的不同方法：

keyValuePairRDD.repartition(partitionCounts)
//OR
keyValuePairRDD.partitionBy(...)
于 2016-12-14T09:59:06.090 回答