У меня есть RDD, подключенный к таблице HBase. Каждая строка (ключ) представляет местоположение GPS. Теперь я написал функцию для вычисления расстояния между двумя точками. Функция должна вызываться с текущей строкой и ее предшественником [i-1]
Теперь я изо всех сил пытаюсь сделать это функциональным способом с помощью функций RDD, чтобы я мог распараллелить это.
Мой быстрый и грязный подход - сначала создать массив
val rows = rdd.collect()
val rowCount = rdd.count() - 1 //since the first row has no distance
val rowArray = new Array[(String, Point, Point)](rowCount.asInstanceOf[Int])
var i = 0 //can be better solved in scala, I know ;)
rows.foreach(row => {
if (predecssorPoint == null) {
predecssorPoint = getPointByRow(row._2)
}
else {
currentPoint = getPointByRow(row._2)
rowArray(i) = Tuple3(row._1, predecssorPoint, currentPoint)
i += 1
predecssorPoint = currentPoint
}
})
return rowArray
Затем я распараллелю массив и рассчитаю расстояние
//create a parallel-enabled data set
val parallelDataSet = sc.parallelize(rows)
parallelDataSet.foreach(row => {
Functions.logDistance(row)
})
Это работает, но это уродливо и, конечно, неэффективно.
Моя идея заключалась в том, чтобы использовать rdd.reduce(), чтобы избавиться от цикла foreach, и это может сработать, если функция расстояния обрабатывает проблему, связанную с тем, что порядок (a+b) не гарантируется.
В любом случае, есть ли лучшее решение? Насколько я понимаю, нет возможности иметь (эффективный) доступ к индексу при работе с RDD.
Спасибо.