Spark IndexedRDD:高效細粒度更新的RDD

1. 問題由來

由於RDD是隻讀不可更改的，即Spark RDD的Immutable特性，如果想要更新或刪除RDD裏面的數據，就要遍歷整個RDD進行操作，並生成一個新的RDD。

有的同學會有疑問，爲什麼不把RDD設計成可讀寫，這樣就不會有這些問題。我剛開始研究Spark時也有這個困惑，後來查了相關資料，RDD設計爲只讀不可更改是有原因的。

這樣設計是爲了保證數據一致性，簡化不必要的鎖機制。當執行update或者delete時不能直接在原先數據上操作，修改原先的數據內容，以前的做法是從原數據中拷貝一份出來進行修改或刪除。

並且對於Streaming Aggregation（聚合）以及Incremental（增量） Algorithm之類的算法，每次迭代都會更新少量數據，但是需要迭代非常多的次數，所以每一次對RDD的更新代價都很大。

針對這個問題AMPLab的Ankur Dave提出了IndexedRDD，它是Immutability和Fine-Grained updates的精妙結合。IndexedRDD是一個基於RDD的Key-Value Store，擴展自RDD[(K, V)]，可以在IndexRDD上進行高效的查找、更新以及刪除。

該問題的地址點擊JIRA，詳細設計文檔參考JIRA。

1. 設計思路

按照Key的Hash值把數據保持到不同的Partition中。

在每個Partition中根據Key建立索引，通過新建節點複用老節點的方式來實現數據的更新。

這裏寫圖片描述

這裏寫圖片描述

1. IndexedRDD API

IndexedRDD主要提供了三個接口：

multiget: 獲取一組Key的Value

multiput: 更新一組Key的Value

delete: 刪除一組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還提供了基於RDD 構建IndexedRDD的函數：

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

下面這個例子來自IndexedRDD的Github頁面，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) // => None
indexed4.get(-100L) // => Some(111)
indexed2.get(999L) // => Some(0)
indexed4.get(999L) // => None

目前IndexedRDD還沒有merge到spark源碼中，所以使用IndexedRDD需要添加以下依賴：

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的每個Partition的存儲用的是Persisten Adaptive Radix Trees，翻譯出來應該是“持久化自適應基數樹”。在Linux中也是有“基數樹”，主要作用是做內存管理。IndexedRDD的PART 主要特點有：

基於索引的內存存儲結構

針對CPU Cache進行優化(相對B-Tree)

支持多個Key同時查詢 (Hash Table每次只能查一個Key)

支持快速插入和刪除

數據保持有序，支持Range Scan和Prefix Lookup

更多細節請看PART論文以及Github: ART Java實現。

1. PART的主要函數

   public class ArtTree extends ChildPtr implements Serializable {

   //拷貝一份鏡像，其實就是增加一個root節點的引用
   public ArtTree snapshot();

   //尋找Key對應的Value
   public Object search(final byte[] key);

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

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

   //返回迭代器
   public Iterator