Spark IndexedRDD:高效细粒度更新的RDD

1. 问题由来

由于RDD是只读不可更改的，即Spark RDD的Immutable特性，如果想要更新或删除RDD里面的数据，就要遍历整个RDD进行操作，并生成一个新的RDD。

有的同学会有疑问，为什么不把RDD设计成可读写，这样就不会有这些问题。我刚开始研究Spark时也有这个困惑，后来查了相关资料，RDD设计为只读不可更改是有原因的。

这样设计是为了保证数据一致性，简化不必要的锁机制。当执行update或者delete时不能直接在原先数据上操作，修改原先的数据内容，以前的做法是从原数据中拷贝一份出来进行修改或删除。

并且对于Streaming Aggregation（聚合）以及Incremental（增量） Algorithm之类的算法，每次迭代都会更新少量数据，但是需要迭代非常多的次数，所以每一次对RDD的更新代价都很大。

针对这个问题AMPLab的Ankur Dave提出了IndexedRDD，它是Immutability和Fine-Grained updates的精妙结合。IndexedRDD是一个基于RDD的Key-Value Store，扩展自RDD[(K, V)]，可以在IndexRDD上进行高效的查找、更新以及删除。

该问题的地址点击JIRA，详细设计文档参考JIRA。

1. 设计思路

按照Key的Hash值把数据保持到不同的Partition中。

在每个Partition中根据Key建立索引，通过新建节点复用老节点的方式来实现数据的更新。

这里写图片描述

这里写图片描述

1. IndexedRDD API

IndexedRDD主要提供了三个接口：

multiget: 获取一组Key的Value

multiput: 更新一组Key的Value

delete: 删除一组Key的Value

class IndexedRDD[K: ClassTag, V: ClassTag] extends RDD[(K, V)] {    /** Gets the values corresponding to the specified keys, if any. */    def multiget(ks: Array[K]): Map[K, V]    /**       * Updates the keys in `kvs` to their corresponding values, running `merge` on old and new values       * if necessary. Returns a new IndexedRDD that reflects the modification.       */    def multiput[U: ClassTag](kvs: Map[K, U], z: (K, U) => V, f: (K, V, U) => V): IndexedRDD[K, V]    /**      * Deletes the specified keys. Returns a new IndexedRDD that reflects the deletions.      */    def delete(ks: Array[K]): IndexedRDD[K, V]}

此外IndexedRDD还提供了基于RDD 构建IndexedRDD的函数：

object IndexedRDD {  /**   * Constructs an updatable IndexedRDD from an RDD of pairs, merging duplicate keys arbitrarily.   */  def apply[K: ClassTag : KeySerializer, V: ClassTag] (elems: RDD[(K, V)]): IndexedRDD[K, V]}

1. IndexedRDD使用

下面这个例子来自IndexedRDD的Github页面，展示IndexedRDD的使用例子。

import edu.berkeley.cs.amplab.spark.indexedrdd.IndexedRDD// Create an RDD of key-value pairs with Long keys.val rdd = sc.parallelize((1 to 1000000).map(x => (x.toLong, 0)))// Construct an IndexedRDD from the pairs, hash-partitioning and indexing// the entries.val indexed = IndexedRDD(rdd).cache()// Perform a point update.val indexed2 = indexed.put(1234L, 10873).cache()// Perform a point lookup. Note that the original IndexedRDD remains// unmodified.indexed2.get(1234L) // => Some(10873)indexed.get(1234L) // => Some(0)// Efficiently join derived IndexedRDD with original.val indexed3 = indexed.innerJoin(indexed2) { (id, a, b) => b }.filter(_._2 != 0)indexed3.collect // => Array((1234L, 10873))// Perform insertions and deletions.val indexed4 = indexed2.put(-100L, 111).delete(Array(998L, 999L)).cache()indexed2.get(-100L) // => Noneindexed4.get(-100L) // => Some(111)indexed2.get(999L) // => Some(0)indexed4.get(999L) // => None

目前IndexedRDD还没有merge到spark源码中，所以使用IndexedRDD需要添加以下依赖：

resolvers += "Spark Packages Repo" at "http://dl.bintray.com/spark-packages/maven"libraryDependencies += "amplab" % "spark-indexedrdd" % "0.3"

1. Persistent Adaptive Radix Trees（PART）

IndexedRDD的每个Partition的存储用的是Persisten Adaptive Radix Trees，翻译出来应该是“持久化自适应基数树”。在Linux中也是有“基数树”，主要作用是做内存管理。IndexedRDD的PART 主要特点有：

基于索引的内存存储结构

针对CPU Cache进行优化(相对B-Tree)

支持多个Key同时查询 (Hash Table每次只能查一个Key)

支持快速插入和删除

数据保持有序，支持Range Scan和Prefix Lookup

更多细节请看PART论文以及Github: ART Java实现。

1. PART的主要函数

   public class ArtTree extends ChildPtr implements Serializable {

   //拷贝一份镜像，其实就是增加一个root节点的引用
   public ArtTree snapshot();

   //寻找Key对应的Value
   public Object search(final byte[] key);

   //插入
   public void insert(final byte[] key, Object value) throws UnsupportedOperationException;

   //删除
   public void delete(final byte[] key);

   //返回迭代器
   public Iterator