开发自己的spark API

1.问题引入

spark提供的API函数能满足大多数场景的应用，但是有时候也需要根据实际数据，自己开发API，以进一步提高性能，看下面一个小例子

val rdd=sc.parallelize(Array(1,2,3,4,5,6,Double.NaN,7,8,9),2)

现在要对其进行统计分析，调用stats函数

rdd.stats

由于原始数据中有一个缺失值Double.NaN，使得统计结果失去意义，很自然的想到用filter过滤掉这个缺失值

import java.lang.Double.isNaN
rdd.filter(!isNaN(_)).stats()

经过过滤后再进行统计分析，得到了合理的结果，但是这个方法是不是最优的呢？

2.改进

在上述过滤掉NaN的过程中，需对整个数组遍历一次，第二步统计分析中又要遍历一次，太浪费时间了，那能不能将两次遍历合并为一次呢，查看stats的源码，发现是可以做到的.

stats的源码在org.apache.spark.util.StatCounter.scala中，部分代码如下

class StatCounter(values: TraversableOnce[Double]) extends Serializable {
private var n: Long = 0     // Running count of our values
private var mu: Double = 0  // Running mean of our values
private var m2: Double = 0  // Running variance numerator (sum of (x - mean)^2)
private var maxValue: Double = Double.NegativeInfinity // Running max of our values
private var minValue: Double = Double.PositiveInfinity // Running min of our values

merge(values)

/** Initialize the StatCounter with no values. */
def this() = this(Nil)

/** Add a value into this StatCounter, updating the internal statistics. */
def merge(value: Double): StatCounter = {
val delta = value - mu
n += 1
mu += delta / n
m2 += delta * (value - mu)
maxValue = math.max(maxValue, value)
minValue = math.min(minValue, value)
this
}

/** Add multiple values into this StatCounter, updating the internal statistics. */
def merge(values: TraversableOnce[Double]): StatCounter = {
values.foreach(v => merge(v))
this
}

/** Merge another StatCounter into this one, adding up the internal statistics. */
def merge(other: StatCounter): StatCounter = {
if (other == this) {
merge(other.copy())  // Avoid overwriting fields in a weird order
} else {
if (n == 0) {
mu = other.mu
m2 = other.m2
n = other.n
maxValue = other.maxValue
minValue = other.minValue
} else if (other.n != 0) {
val delta = other.mu - mu
if (other.n * 10 < n) {
mu = mu + (delta * other.n) / (n + other.n)
} else if (n * 10 < other.n) {
mu = other.mu - (delta * n) / (n + other.n)
} else {
mu = (mu * n + other.mu * other.n) / (n + other.n)
}
m2 += other.m2 + (delta * delta * n * other.n) / (n + other.n)
n += other.n
maxValue = math.max(maxValue, other.maxValue)
minValue = math.min(minValue, other.minValue)
}
this
}
}

stats共有元素计数(n)、均值(mu)、方差(mu2)、最大值(maxValue)、最小值(minValue) 五个属性，都是通过merge这个函数实现的

def merge(value: Double): StatCounter = {
val delta = value - mu
n += 1
mu += delta / n
m2 += delta * (value - mu)
maxValue = math.max(maxValue, value)
minValue = math.min(minValue, value)
this
}

merge是个增量函数，即它统计数组中的所有元素的时候，并不是按通常的mean=sum(x)/count(x)，而是采取的每接收一个元素，就更新一次均值、方差这些属性，这位后续开发提供了方便，如果要剔除NaN,则只需修改merge函数即可

import org.apache.spark.util.StatCounter
class NAStatCounter extends Serializable {
val stats: StatCounter = new StatCounter()
var missing: Long = 0

def add(x: Double): NAStatCounter = {
if (java.lang.Double.isNaN(x)) {
missing += 1
} else{
stats.merge(x)
}
this
}

def merge(other: NAStatCounter): NAStatCounter = {
stats.merge(other.stats)
missing += other.missing
this
}

override def toString = {
"stats: " + stats.toString + " NaN: " + missing
}
}

object NAStatCounter extends Serializable {
def apply(x: Double) = new NAStatCounter().add(x)
}

修改的代码中添加了一个missing属性，用来统计缺失值的个数。

3.在spark-shell中引用修改的源码

在shell下新建一个 StatsWithMissing.scala文件，将上述代码添加进去，保存并关闭，然后在spark-shell中用 ：load引用





测试结果表明引用成功。

4.提供RDD的接口

将下面的代码添加到StatsWithMissing.scala文件中，使得任意的RDD[Array[Double]] 可以调用该函数进行统计分析

import org.apache.spark.rdd.RDD

def statsWithMissing(rdd: RDD[Array[Double]]): Array[NAStatCounter] = {
val nastats = rdd.mapPartitions((iter: Iterator[Array[Double]]) => {
val nas: Array[NAStatCounter] = iter.next().map(d => NAStatCounter(d))
iter.foreach(arr => {
nas.zip(arr).foreach { case (n, d) => n.add(d) }
})
Iterator(nas)
})

nastats.reduce((n1, n2) => {
n1.zip(n2).map { case (a, b) => a.merge(b) }
})
}

注意：

1.上述代码中用到了mapPartitions这个高级API，使代码更加高效

2.在编写 NAStatCounter 类的时候继承了 Serializable 这个接口，使编写的函数可以在sparkAPI内部被调用，否则会出现不可序列化的错误

Reference

《spark高级数据分析》(2.10-2.11小节)