在pyspark中调用scala代码
情境说明
问题
我们这边是要使用Spark去并行一个自然语言处理的算法，其中使用到了LDA主题模型。由于使用的是天河二号，Spark版本是1.5.1，pyspark同样，所以获取主题时还不能使用describeTopics(在spark1.6中才开放对python的接口)，只能使用topicsMatrix的方法。
本来凑合用topicsMatrix也行，但我们发现，这一个用来获取主题模型的函数，居然比Lda的训练还要慢！无论在我们自己的集群还是在天河二号的分区上，都是这一个情况。观察topicsMatrix的源代码，好像也没有什么复杂操作，只是把数据汇总collect而已：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
@Since
(
"1.3.0"
)
override lazy val topicsMatrix: Matrix = {
// Collect row-major topics
val termTopicCounts: Array[(Int, TopicCounts)] =
graph.vertices.filter(_._1 <
0
).map {
case
(termIndex, cnts) =>
(index2term(termIndex), cnts)}.collect()
// Convert to Matrix
val brzTopics = BDM.zeros[Double](vocabSize, k)
termTopicCounts.foreach {
case
(term, cnts) =>
var j =
0
while
(j < k) {
brzTopics(term, j) = cnts(j)
j +=
1
}
}
Matrices.fromBreeze(brzTopics)
}
|
由于并不是算法中有一些复杂运算导致较慢，我们自然不希望在程序中有这样的情况。发现到在Spark1.5.1中，mllib中LdaModel已经实现了describeTopics，只是未在Python中开放，我们自然希望尝试使用describeTopics看看效果。
describeTopics的源代码探索
已知LDA.train()返回的是LdaModel的实例，于是乎，参考上篇博客，用以下方式去调用：
|
1
2
|
model = LDA.train(rdd_data, k=num_topics, maxIterations=
20
)
topics = model.call(
'describeTopics'
, _py2java(sc,
10
))
|
执行速度特别快，然而返回的结果却不尽如人意，仅返回了一个长度k的列表，每个元素是一个key为’class’，value为’scala.Tuple2’的单元素字典。从结果来看，scala的代码应该是被成功执行了，然而返回结果却出了问题。查看callJavaFunc的内容，可以判断出，是describeTopics的返回结果没有被_java2py函数正常的转换。
比对Spark1.5和Spark1.6的代码，LdaModel.describeTopics函数的内容是一致的，那么问题在哪儿呢？再去查看pyspark的LDA.train()调用的PythonMLLibAPI.trainLdaModel，发现在1.6中返回的不再是LdaModel而是它的子类LdaModelWrapper。查看这个类的方法，发现它重载了describeTopics来方便_java2py进行数据转换：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
|
private
[python]
class
LDAModelWrapper(model: LDAModel) {
def topicsMatrix(): Matrix = model.topicsMatrix
def vocabSize(): Int = model.vocabSize
def describeTopics(): Array[Byte] = describeTopics(
this
.model.vocabSize)
def describeTopics(maxTermsPerTopic: Int): Array[Byte] = {
val topics = model.describeTopics(maxTermsPerTopic).map {
case
(terms, termWeights) =>
val jTerms = JavaConverters.seqAsJavaListConverter(terms).asJava
val jTermWeights = JavaConverters.seqAsJavaListConverter(termWeights).asJava
Array[Any](jTerms, jTermWeights)
}
SerDe.dumps(JavaConverters.seqAsJavaListConverter(topics).asJava)
}
def save(sc: SparkContext, path: String): Unit = model.save(sc, path)
}
|
找到这里，解决方法就油然而生了。只要我们把这一段scala代码在python中调用，并将describeTopics的Java对象传入，不就万事大吉了吗？
在pyspark中调用scala代码
也许还有别的方法，不过这里使用的方法也足够简单。将.scala文件打包成jar后，启动spark时加入参数–driver-class-path /path/to/xxx.jar，便可以将你的scala代码放入Spark运行的虚拟机JVM中，从而让python代码在运行中通过反射机制在SparkContext._jvm里动态获取到你的类与方法：
|
1
|
func = sc._jvm.com.example.YourObject.func
|
打包scala代码
那么，现在的问题就是如何把scala代码打包成jar了。scala虽然也是基于JVM运行的语言，与java非常相似，但是其编译选项中并没有提供将其打包成jar的参数。这里我们用sbt打包它，sbt的下载与安装请自行查阅其他教程，这里就不提供了。
在build.sbt中，请至少进行以下设置
|
1
|
sbt
package
|
等待打包完成，会有相应提示。
更多的打包选项，以及sbt的更多用法，感兴趣可以自行查阅。
解决我们的问题
回到我们这里的问题，我们希望能在python中对describeTopics的返回值进行转换，那么我么只需要打包那一个重载的describeTopics就好了，这样可以避免打包Spark的第三方包。更改一下函数的返回值，并注释掉调用Spark的SerDe进行序列化的语句，最终的代码如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
package
com.sysu.sparkhelper
import
java.util.List
import
scala.collection.JavaConverters
object LdaHelper {
def convert(topics: Array[(Array[Int], Array[Double])]): List[Array[Any]] = {
val result = topics.map {
case
(terms, termWeights) =>
val jTerms = JavaConverters.seqAsJavaListConverter(terms).asJava
val jTermWeights = JavaConverters.seqAsJavaListConverter(termWeights).asJava
Array[Any](jTerms, jTermWeights)
}
return
JavaConverters.seqAsJavaListConverter(result).asJava
// SerDe.dumps(JavaConverters.seqAsJavaListConverter(result).asJava)
}
}
|
用sbt打包完成后，使用–driver-class-path添加jar包，在python中相应代码为：
|
1
2
3
4
|
lda_java_model = model._java_model
func = getattr(model._java_model,
'describeTopics'
)
result = func(_py2java(sc,
10
))
topics = _java2py(sc, sc._jvm.com.sysu.sparkhelper.LdaHelper.convert(result))
|
总结
这算是阅读源码的一次应用，可以说还是解决了遇到的问题，同时也加深了对Spark的了解。
本来做并行化就是希望效率更高，pyspark却在调用scala代码，同时进行了很多数据转换。想要更好的使用Spark的话，使用scala去编程应该才是最好的。