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：

@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：

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：

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：

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，官方网站。

首先编写好你的scala代码，确认没有bug，并在文件开头用package关键字将其封装至包中。接着，请手动建立你的项目目录，并创建如下结构：

在build.sbt中，请至少进行以下设置

//项目名
name := "Project"

//项目版本
version := "0.1"

//scala版本
scalaVersion := "2.10.5"

//jdk版本
javacOptions ++= Seq("-source", "1.7", "-target", "1.7")

//主函数
mainClass in Compile := Some("YourClass.func")

在plugins.sbt中，请加上这一句话，告诉sbt需要这个第三方插件，这是用来打包的

addSbtPlugin("com.eed3si9n" % "sbt-assembly" % "0.14.5")

这些都准备完成后，在terminal里进入你的项目根目录下，输入

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：

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：

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。