Равномерность класса в Apache Spark

Почему совпадение шаблонов в Spark не работает так же, как в Scala? См. Пример ниже... Функция f() пытается сопоставить шаблон по классу, который работает в Scala REPL, но не работает в Spark и приводит ко всем "???". f2() - это обходной путь, который получает желаемый результат в Spark с помощью .isInstanceOf(), но я понимаю, что это плохая форма в Scala.

Любая помощь по шаблону, соответствующему правильному пути в этом сценарии в Spark, будет с благодарностью.

abstract class a extends Serializable {val a: Int}
case class b(a: Int) extends a 
case class bNull(a: Int=0) extends a 

val x: List[a] = List(b(0), b(1), bNull())
val xRdd = sc.parallelize(x)

попытка сопоставления шаблонов, которая работает в Scala REPL, но не работает в Spark

def f(x: a) = x match {
    case b(n) => "b"
    case bNull(n) => "bnull"
    case _ => "???"
}

который работает в Spark, но плохая форма (я думаю)

def f2(x: a) = {
    if (x.isInstanceOf[b]) {
        "b"
    } else if (x.isInstanceOf[bNull]) {
        "bnull"
    } else {
        "???"
    }
}

Просмотреть результаты

xRdd.map(f).collect                   //does not work in Spark
                                      // result: Array("???", "???", "???")
xRdd.map(f2).collect                  // works in Spark
                                      // resut: Array("b", "b", "bnull")
x.map(f(_))                           // works in Scala REPL    
                                      // result: List("b", "b", "bnull")

Используемые версии... Результаты искры запускаются в искровой оболочке (Spark 1.6 на AWS EMR-4.3) Scala REPL в SBT 0.13.9 (Scala 2.10.5)

Ответы

Ответ 1

Это известная проблема с Spark REPL. Вы можете найти более подробную информацию в SPARK-2620. Он влияет на несколько операций в Spark REPL, включая большинство преобразований на PairwiseRDDs. Например:

case class Foo(x: Int)

val foos = Seq(Foo(1), Foo(1), Foo(2), Foo(2))
foos.distinct.size
// Int = 2

val foosRdd = sc.parallelize(foos, 4)
foosRdd.distinct.count
// Long = 4  

foosRdd.map((_, 1)).reduceByKey(_ + _).collect
// Array[(Foo, Int)] = Array((Foo(1),1), (Foo(1),1), (Foo(2),1), (Foo(2),1))

foosRdd.first == foos.head
// Boolean = false

Foo.unapply(foosRdd.first) == Foo.unapply(foos.head)
// Boolean = true

Что еще хуже, так это то, что результаты зависят от распределения данных:

sc.parallelize(foos, 1).distinct.count
// Long = 2

sc.parallelize(foos, 1).map((_, 1)).reduceByKey(_ + _).collect
// Array[(Foo, Int)] = Array((Foo(2),2), (Foo(1),2))

Самое простое, что вы можете сделать, это определить и упаковать классы классов вне REPL. Любой код, представленный непосредственно с помощью spark-submit, должен работать.

В Scala 2.11+ вы можете создать пакет непосредственно в REPL с помощью paste -raw.

scala> :paste -raw
// Entering paste mode (ctrl-D to finish)

package bar

case class Bar(x: Int)


// Exiting paste mode, now interpreting.

scala> import bar.Bar
import bar.Bar

scala> sc.parallelize(Seq(Bar(1), Bar(1), Bar(2), Bar(2))).distinct.collect
res1: Array[bar.Bar] = Array(Bar(1), Bar(2))