我对Spark很陌生，我试图用Markov模型表示的质心实现一些迭代算法进行聚类（期望最大化）。所以我需要进行迭代和连接。
我遇到的一个问题是每次迭代时间呈指数级增长 经过一些实验后，我发现在进行迭代时，需要保留将在下一次迭代中重用的RDD，否则每个迭代spark都会创建执行计划，从开始重新计算RDD，从而增加计算时间。
init = sc.parallelize(xrange(10000000), 3)
init.cache()
for i in range(6):
print i
start = datetime.datetime.now()
init2 = init.map(lambda n: (n, n*3))
init = init2.map(lambda n: n[0])
# init.cache()
print init.count()
print str(datetime.datetime.now() - start)
结果：
0
10000000
0:00:04.283652
1
10000000
0:00:05.998830
2
10000000
0:00:08.771984
3
10000000
0:00:11.399581
4
10000000
0:00:14.206069
5
10000000
0:00:16.856993
因此添加cache（）会有所帮助，迭代时间也会变得不变。
init = sc.parallelize(xrange(10000000), 3)
init.cache()
for i in range(6):
print i
start = datetime.datetime.now()
init2 = init.map(lambda n: (n, n*3))
init = init2.map(lambda n: n[0])
init.cache()
print init.count()
print str(datetime.datetime.now() - start)
0
10000000
0:00:04.966835
1
10000000
0:00:04.609885
2
10000000
0:00:04.324358
3
10000000
0:00:04.248709
4
10000000
0:00:04.218724
5
10000000
0:00:04.223368
但是当在迭代内部进行Join时，问题又回来了。 这是一些简单的代码，我演示了这个问题。即使在每个RDD转换上进行缓存也无法解决问题：
init = sc.parallelize(xrange(10000), 3)
init.cache()
for i in range(6):
print i
start = datetime.datetime.now()
init2 = init.map(lambda n: (n, n*3))
init2.cache()
init3 = init.map(lambda n: (n, n*2))
init3.cache()
init4 = init2.join(init3)
init4.count()
init4.cache()
init = init4.map(lambda n: n[0])
init.cache()
print init.count()
print str(datetime.datetime.now() - start)
这是输出。正如您所看到的，迭代时间呈指数级增长:(
0
10000
0:00:00.674115
1
10000
0:00:00.833377
2
10000
0:00:01.525314
3
10000
0:00:04.194715
4
10000
0:00:08.139040
5
10000
0:00:17.852815
我将非常感谢任何帮助：）
答案 0 :(得分：26)
<强>摘要：
一般而言，迭代算法，特别是具有自连接或自联合的算法，需要控制：
这里描述的问题是缺乏前者的结果。在每次迭代中，分区数随着自连接而增加，从而导致指数模式。要解决这个问题，您必须控制每次迭代中的分区数量（见下文）或使用spark.default.parallelism等全局工具（参见an answer provided by Travis）。通常，第一种方法通常提供更多控制，并且不会影响代码的其他部分。
原始回答：
据我所知，这里存在两个交错的问题 - 在连接期间增加分区数量和洗牌开销。两者都可以轻松处理，所以让我们一步一步。
首先让我们创建一个帮助来收集统计数据：
import datetime
def get_stats(i, init, init2, init3, init4,
start, end, desc, cache, part, hashp):
return {
"i": i,
"init": init.getNumPartitions(),
"init1": init2.getNumPartitions(),
"init2": init3.getNumPartitions(),
"init4": init4.getNumPartitions(),
"time": str(end - start),
"timen": (end - start).seconds + (end - start).microseconds * 10 **-6,
"desc": desc,
"cache": cache,
"part": part,
"hashp": hashp
}
另一个处理缓存/分区的帮助
def procRDD(rdd, cache=True, part=False, hashp=False, npart=16):
rdd = rdd if not part else rdd.repartition(npart)
rdd = rdd if not hashp else rdd.partitionBy(npart)
return rdd if not cache else rdd.cache()
提取管道逻辑：
def run(init, description, cache=True, part=False, hashp=False,
npart=16, n=6):
times = []
for i in range(n):
start = datetime.datetime.now()
init2 = procRDD(
init.map(lambda n: (n, n*3)),
cache, part, hashp, npart)
init3 = procRDD(
init.map(lambda n: (n, n*2)),
cache, part, hashp, npart)
# If part set to True limit number of the output partitions
init4 = init2.join(init3, npart) if part else init2.join(init3)
init = init4.map(lambda n: n[0])
if cache:
init4.cache()
init.cache()
init.count() # Force computations to get time
end = datetime.datetime.now()
times.append(get_stats(
i, init, init2, init3, init4,
start, end, description,
cache, part, hashp
))
return times
并创建初始数据：
ncores = 8
init = sc.parallelize(xrange(10000), ncores * 2).cache()
单独加入操作，如果未提供numPartitions参数，则根据输入RDD的分区数调整输出中的分区数。这意味着每次迭代都会增加分区数量。如果分区的数量是大的事情变得丑陋。您可以通过为每次迭代提供加入或重新分区RDD的numPartitions参数来处理这些问题。
timesCachePart = sqlContext.createDataFrame(
run(init, "cache + partition", True, True, False, ncores * 2))
timesCachePart.select("i", "init1", "init2", "init4", "time", "desc").show()
+-+-----+-----+-----+--------------+-----------------+
|i|init1|init2|init4| time| desc|
+-+-----+-----+-----+--------------+-----------------+
|0| 16| 16| 16|0:00:01.145625|cache + partition|
|1| 16| 16| 16|0:00:01.090468|cache + partition|
|2| 16| 16| 16|0:00:01.059316|cache + partition|
|3| 16| 16| 16|0:00:01.029544|cache + partition|
|4| 16| 16| 16|0:00:01.033493|cache + partition|
|5| 16| 16| 16|0:00:01.007598|cache + partition|
+-+-----+-----+-----+--------------+-----------------+
正如您所看到的，当我们重新分区时，执行时间或多或少是恒定的。 第二个问题是上面的数据是随机分区的。为了确保连接性能，我们希望在单个分区上具有相同的密钥。为此，我们可以使用散列分区器：
timesCacheHashPart = sqlContext.createDataFrame(
run(init, "cache + hashpart", True, True, True, ncores * 2))
timesCacheHashPart.select("i", "init1", "init2", "init4", "time", "desc").show()
+-+-----+-----+-----+--------------+----------------+
|i|init1|init2|init4| time| desc|
+-+-----+-----+-----+--------------+----------------+
|0| 16| 16| 16|0:00:00.946379|cache + hashpart|
|1| 16| 16| 16|0:00:00.966519|cache + hashpart|
|2| 16| 16| 16|0:00:00.945501|cache + hashpart|
|3| 16| 16| 16|0:00:00.986777|cache + hashpart|
|4| 16| 16| 16|0:00:00.960989|cache + hashpart|
|5| 16| 16| 16|0:00:01.026648|cache + hashpart|
+-+-----+-----+-----+--------------+----------------+
执行时间和以前一样是恒定的，与基本分区相比有一点改进。
现在让我们只使用缓存作为参考：
timesCacheOnly = sqlContext.createDataFrame(
run(init, "cache-only", True, False, False, ncores * 2))
timesCacheOnly.select("i", "init1", "init2", "init4", "time", "desc").show()
+-+-----+-----+-----+--------------+----------+
|i|init1|init2|init4| time| desc|
+-+-----+-----+-----+--------------+----------+
|0| 16| 16| 32|0:00:00.992865|cache-only|
|1| 32| 32| 64|0:00:01.766940|cache-only|
|2| 64| 64| 128|0:00:03.675924|cache-only|
|3| 128| 128| 256|0:00:06.477492|cache-only|
|4| 256| 256| 512|0:00:11.929242|cache-only|
|5| 512| 512| 1024|0:00:23.284508|cache-only|
+-+-----+-----+-----+--------------+----------+
正如您所看到的，仅缓存版本的分区数（init2，init3，init4）在每次迭代时都会加倍，执行时间与分区数成正比。
最后，如果我们使用散列分区器，我们可以检查是否可以提高大量分区的性能：
timesCacheHashPart512 = sqlContext.createDataFrame(
run(init, "cache + hashpart 512", True, True, True, 512))
timesCacheHashPart512.select(
"i", "init1", "init2", "init4", "time", "desc").show()
+-+-----+-----+-----+--------------+--------------------+
|i|init1|init2|init4| time| desc|
+-+-----+-----+-----+--------------+--------------------+
|0| 512| 512| 512|0:00:14.492690|cache + hashpart 512|
|1| 512| 512| 512|0:00:20.215408|cache + hashpart 512|
|2| 512| 512| 512|0:00:20.408070|cache + hashpart 512|
|3| 512| 512| 512|0:00:20.390267|cache + hashpart 512|
|4| 512| 512| 512|0:00:20.362354|cache + hashpart 512|
|5| 512| 512| 512|0:00:19.878525|cache + hashpart 512|
+-+-----+-----+-----+--------------+--------------------+
改进并不是那么令人印象深刻，但如果你有一个小集群和大量数据，它仍然值得尝试。
我想这里带走的消息是分区问题。有一些上下文可以为您处理（mllib，sql），但如果您使用低级操作，则由您负责。
答案 1 :(得分：7)
问题是（正如零323在他的全面回答中指出的那样）调用join而不指定分区数可能（确实）导致越来越多的分区。分区数量（显然）可以不受限制地增长。在重复调用join时，有（至少）两种方法可以防止分区数量增长（没有绑定）。
方法1：
正如zero323指出的那样，您可以在调用join时手动指定分区数。例如
rdd1.join(rdd2, numPartitions)
这将确保分区数量不超过numPartitions，特别是分区数量不会持续增长。
方法2：
创建SparkConf时，可以指定默认的并行级别。如果设置了此值，那么当您在不指定numPartitions的情况下调用join之类的函数时，将使用默认并行性，从而有效地限制分区数量并防止它们增长。您可以将此参数设置为
conf=SparkConf.set("spark.default.parallelism", numPartitions)
sc = SparkContex(conf=conf)
答案 2 :(得分：-2)
Rdds是不可变的。尝试rdd = rdd.cache()