Spark笛卡尔积实现方案描述

val conf = new SparkConf().setAppName("tst_cartesian").setMaster("local")
val sc = new SparkContext(conf)

//val pairs = sc.parallelize(Array(("a", Vectors.dense(1)), ("b", Vectors.dense(2)), ("c", Vectors.dense(3))  ))
val pairs = sc.parallelize(List("a", "b", "c"))
//1.默认算子,性能尚可,但简易可用
val cartesian_rdd = pairs.cartesian(pairs)
println("--------cartesian--------")
cartesian_rdd.foreach(println(_))

//2.自定义实现,性能一般,但结果优异,只取到上三角的对象
def combs(rdd: RDD[String]): RDD[(String, String)] = {
  val count = rdd.count
  if (rdd.count < 2) {
    sc.makeRDD[(String, String)](Seq.empty)
  } else if (rdd.count == 2) {
    val values = rdd.collect
    sc.makeRDD[(String, String)](Seq((values(0), values(1))))
  } else {
    val elem = rdd.take(1)
    val elemRdd = sc.makeRDD(elem)
    val subtracted = rdd.subtract(elemRdd)
    val comb = subtracted.map(e => (elem(0), e))
    comb.union(combs(subtracted))
  }
}
val cartesian_rdd2 = combs(pairs)
println("--------combs--------")
cartesian_rdd2.foreach(println(_))

//3.Join实现。性能待定
//key值相同,value实现笛卡尔积组合

//4.将rdd拉动driver端,用两层循环实现。耗费driver-memory,性能不可控。
val drivers = pairs.collect()
var empnos = scala.collection.mutable.ArrayBuffer[(String, String)]()
for (driver_one <- drivers) {
  for (driver_two <- drivers) {
    val pair_empno = (driver_one, driver_two)
    empnos += pair_empno
  }
}
println("--------drive--------")
empnos.foreach(println(_))

println("结论:Spark不要轻易计算笛卡尔积!")
### 实现间接好友数量统计的任务 在分布式计算框架 Apache Spark 中,可以利用其强大的数据处理能力来解决复杂的图算法问题。对于统计间接好友的数量这一需求,可以通过构建基于边的关系网络并执行两步传播的方式实现。 以下是具体的解决方案: #### 数据模型设计 假设输入的数据是一个用户及其直接好友列表的形式,例如: ``` UserA -> FriendB, FriendC UserB -> FriendA, FriendD ... ``` 这种关系可以用键值对表示 `(UserID, List<FriendID>)` 的形式存储到 RDD 或 DataFrame 中[^1]。 #### 主要逻辑描述 为了找到用户的间接好友(即通过一层中间节点连接的朋友),需要进行以下操作: - **Step 1**: 将原始的好友关系展开成一对多的格式 ( UserID, FriendID )。 - **Step 2**: 执行笛卡尔积或者广播变量优化后的关联操作,找出所有可能的一层间接朋友。 - **Step 3**: 去除重复项以及过滤掉已经存在的直接好友关系。 下面展示一段完整的 Java 代码用于说明此过程: ```java import org.apache.spark.api.java.JavaPairRDD; import org.apache.spark.api.java.JavaRDD; import org.apache.spark.api.java.JavaSparkContext; import scala.Tuple2; public class IndirectFriendsCounter { public static void main(String[] args) { // 初始化 Spark 上下文环境 JavaSparkContext sc = new JavaSparkContext("local", "IndirectFriendCount"); // 输入样本数据 [(UserId, List<Friends))] JavaRDD<String> input = sc.parallelize(Arrays.asList( "Alice,Bob,Charlie", "Bob,Alice,Dave", "Charlie,Alice,Eve" )); // 转换成 Pair RDD 形式 (User -> Friends) JavaPairRDD<String, Iterable<String>> userToFriends = input.mapToPair(line -> { String[] parts = line.split(","); return new Tuple2<>(parts[0], Arrays.asList(parts).subList(1, parts.length)); }); // 展开成为单条记录 (User -> SingleFriend) JavaPairRDD<String, String> flatRelations = userToFriends.flatMapToPair(pair -> { Iterator<Tuple2<String, String>> result = pair._2.iterator().stream() .map(friend -> new Tuple2<>(pair._1, friend)) .iterator(); return result; }); // 计算二度关系并通过 join 进行匹配 JavaPairRDD<String, String> indirectFriends = flatRelations.join(flatRelations) .filter(tuple -> !tuple._2._1.equals(tuple._2._2)) // 移除自环情况 .mapToPair(t -> new Tuple2<>(t._1, t._2._2)); // 统计每个用户的间接好友数 JavaPairRDD<String, Long> counts = indirectFriends.countByKey(); System.out.println(counts.collectAsMap()); sc.close(); } } ``` 以上代码实现了从给定的直接社交网络中挖掘出所有的二阶邻居,并最终汇总得到每位成员拥有的独特间接联系人数目[^2]。 #### 性能考虑因素 当面对大规模稀疏矩阵运算时,应特别注意内存消耗与通信成本之间的平衡。如果原生方法效率低下,则可尝试采用 GraphX 库中的 Pregel API 来更高效地表达此类迭代型图查询任务[^3]。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值