为什么 Spark 不允许映射端与数组键结合？

Question

我正在使用 Spark 1.3.1，我很好奇为什么 Spark 不允许在映射端组合中使用数组键。一片combineByKey function：

if (keyClass.isArray) {
  if (mapSideCombine) {
    throw new SparkException("Cannot use map-side combining with array keys.")
  }
}

Answer 1

基本上与 default partitioner cannot partition array keys.

相同的原因

Scala Array 只是 Java 数组的包装器，它的 hashCode 不依赖于内容：

scala> val x = Array(1, 2, 3)
x: Array[Int] = Array(1, 2, 3)

scala> val h = x.hashCode
h: Int = 630226932

scala> x(0) = -1

scala> x.hashCode() == h1
res3: Boolean = true

表示两个内容完全相同的数组不相等

scala> x
res4: Array[Int] = Array(-1, 2, 3)

scala> val y = Array(-1, 2, 3)
y: Array[Int] = Array(-1, 2, 3)

scala> y == x
res5: Boolean = false

因此 Arrays 不能用作有意义的键。如果您不相信，请检查当您使用 Array 作为 Scala Map:

的键时会发生什么

scala> Map(Array(1) -> 1, Array(1) -> 2)
res7: scala.collection.immutable.Map[Array[Int],Int] = Map(Array(1) -> 1, Array(1) -> 2)

如果您想使用集合作为键，您应该使用不可变数据结构，例如 Vector 或 List。

scala> Map(Array(1).toVector -> 1, Array(1).toVector -> 2)
res15: scala.collection.immutable.Map[Vector[Int],Int] = Map(Vector(1) -> 2)

另请参阅：

SI-1607

为什么 Spark 不允许映射端与数组键结合？

Why Spark doesn't allow map-side combining with array keys?

scala

mapreduce

apache-spark

rdd