是否可以在 Apache Spark 中创建嵌套的 RDD？

Question

我正在尝试在 Spark 中实现 K-最近邻算法。我想知道是否可以使用嵌套的 RDD。这会让我的生活轻松很多。考虑以下代码片段。

public static void main (String[] args){
//blah blah code
JavaRDD<Double> temp1 = testData.map(
    new Function<Vector,Double>(){
        public Double call(final Vector z) throws Exception{
            JavaRDD<Double> temp2 = trainData.map(
                    new Function<Vector, Double>() {
                        public Double call(Vector vector) throws Exception {
                            return (double) vector.length();
                        }
                    }
            );
            return (double)z.length();
        }    
    }
);
}

目前我遇到了这个嵌套设置的错误（我可以在这里发布完整的日志）。是否允许在拳头位置？谢谢

Answer 1

不，这是不可能的，因为 RDD 的项目必须是可序列化的，而 RDD 是不可序列化的。这是有道理的，否则你可能会通过网络传输整个 RDD，如果它包含大量数据，这是一个问题。如果它不包含大量数据，您可能并且应该使用数组或类似的东西。

但是，我不知道你是如何实现 K 近邻的......但要小心：如果你做一些计算每对点之间的距离之类的事情，这实际上在数据集大小上是不可扩展的，因为它是 O (n2)。