在Spark上进行两个大数据集的匹配

分布式框架Spark把任务划分到各个子节点进行处理，可以有效利用小机器的CPU来处理大规模数据集。但是Spark也存在局限性，在某些问题的处理上会力不从心，例如两个大数据集的匹配。出现这种问题的原因主要是分布式系统的优势在于机器的数量，子节点的CPU和内存通常配置较低。

问题描述：如果有两个大数据集A和B，假设A有几千万条数据，B有几百万条数据，需要把B中的每一条数据和A中的每一条数据进行比较。下面列举几种解决的方法：

（1）直接把A和B join后两两计算，这样会导致很大的shuffle，千万*百万=十万亿的数量级。

（2）A存到HDFS上，B进行切分，比如每100条起个spark job跑一下。这种方法可以解决大多数问题，比如可以起个spark streaming，然后把B中的数据分片丢进去，再和A中的数据join做运算。这种方式会有较多的shuffle，千万*百=十亿的数量级，所以可以先把数据collect，然后再和A数据做比较。

（3）通常driver可用的内存会比较大，可以先用collect函数把B载入内存，然后把B中的数据分片broadcast到工作节点上，例如每个分片B’包含100条数据，在工作节点上，B’是在内存中的，可以直接和A数据做比较，而不需要join。例如代码：

Broadcast<List<String>> broadcast;
JavaRDD<String> totalResult = null;
int count = 0;
List<String> tempArticleList = new ArrayList<String>();
for (String article : BCollect) { //BCollect：B数据集collect结果
    tempArticleList.add(article);
    count++;

    if (tempArticleList.size() >= 100) {
    broadcast = sc.broadcast(tempArticleList);
    logger.info("size of broadcast:" + tempArticleList.size());
    // baseRddx--A数据集
    JavaRDD<String> resultRDDx = baseRddx.flatMap(new CompareArticle());  
    if (totalResult == null) {
        totalResult = resultRDDx;
    } else {
        totalResult = totalResult.union(resultRDDx);
    }
    count = 0;
    tempArticleList = new ArrayList<String>();
    }
}
    //把剩下的数据处理掉
    if (tempArticleList.size() > 0) {
        broadcast = sc.broadcast(tempArticleList);
        logger.info("size of broadcast:" + tempArticleList.size());
        JavaRDD<String> resultRDDx = baseRddx.flatMap(new CompareArticle());
        if (totalResult == null) {
            totalResult = resultRDDx;
        } else {
            totalResult = totalResult.union(resultRDDx);
        }
    }

class CompareArticle implements FlatMapFunction<String, String> {
        @Override
        public Iterable<String> call(String line) throws Exception {
            List<String> resultList = new ArrayList<String>();
            //B数据集分块
            List<String> articleList = broadcast.getValue();
            ...
        }
}