当我调用rdd.join（rdd）时发生了什么

Question

我正在开发一个应用程序，我需要在RDD中使用相同的键对每对行执行计算，这里是RDD结构：

List<Tuple2<String, Tuple2<Integer, Integer>>> dat2 = new ArrayList<>();
dat2.add(new Tuple2<String, Tuple2<Integer, Integer>>("Alice", new Tuple2<Integer, Integer>(1, 1)));
dat2.add(new Tuple2<String, Tuple2<Integer, Integer>>("Alice", new Tuple2<Integer, Integer>(2, 5)));
dat2.add(new Tuple2<String, Tuple2<Integer, Integer>>("Alice", new Tuple2<Integer, Integer>(3, 78)));
dat2.add(new Tuple2<String, Tuple2<Integer, Integer>>("Bob", new Tuple2<Integer, Integer>(1, 6)));
dat2.add(new Tuple2<String, Tuple2<Integer, Integer>>("Bob", new Tuple2<Integer, Integer>(2, 11)));
JavaRDD<Tuple2<String, Tuple2<Integer, Integer>>> y2 = sc.parallelize(dat2);

现在，每个人的数据都可以被视为:(时间戳，价值）。我希望知道每一行在+ -1时间戳中发生的值的数量。 （我知道这看起来像滑动窗口，但我想要事件级粒度）

y2.join(y2);
resultOfJoin.filter(t -> t._2()._1()._1() - t._2()._2()._1() <= 1 && t._2()._1()._1() - t._2()._2()._1() >= -1)

在这种情况下，我遇到的最佳解决方案是将RDD与自身连接，为每个人创建k^2行，其中k是与此人相关联的行数。

现在，我知道这是一场彻底的灾难。我明白这会导致洗牌（并且洗牌很糟糕）但是我不能带来更好的东西。

我有3个问题：

1. 由于我在连接后立即过滤，它会影响连接引起的压力（换句话说，会有任何优化）吗？
2. 网络上传递的行数是多少？ （我知道在最坏的情况下，结果RDD将有n ^ 2行）将在网络上发送的行是#workersn（仅发送一个副本并在worker上复制）或＃workersn ^ 2（每行发送一行）结果工人的组合）？
3. 如果我想与Dataset合作，我可以加入过滤器。我理解数据集对计算图有额外的优化。如果我转移到数据集，我应该期待多少改进？

Answer 1

由于我在连接后立即过滤，它会影响连接引起的压力（换句话说，会有任何优化）吗？

不，没有优化。

网络上传递的行数是多少？

O（N）（特别是每个记录将被洗牌两次，每个父记录一次）您按键加入，因此每个项目转到一个，只有一个分区。

如果我愿意使用数据集，我可以加入过滤器。我理解数据集对计算图有额外的优化。如果我转移到数据集，我应该期待多少改进？

随机过程更好地进行了优化，但是否则您不能指望任何特定情况的优化。

希望知道每一行在+ -1时间戳中发生的值的数量。

尝试窗口功能：

import org.apache.spark.sql.functions._
import org.apache.spark.sql.expressions._

val w = Window.partitionBy("id").ordetBy("timestamp")

rdd.toDF("id", "data")
  .select($"id", $"data._1" as "timestamp", $"data._2" as "value"))
  .withColumn("lead", lead($"value", 1).over(w))
  .withColumn("lag", lag($"value", 1).over(w))