使用PySpark在单个多核计算机中使用大型查找表

时间:2015-10-06 22:34:24

标签: python dictionary mapreduce apache-spark pyspark

我有一个大的查找表,它将整数作为键和字符串列表作为值。我需要这个查找表来对我通过spark加载的数据进行一些过滤和转换。

import numpy as np
import pandas as pd

from pyspark import SparkContext, SparkConf
from pyspark.sql import SQLContext

conf = SparkConf()
conf.setMaster("local[20]")
conf.setAppName("analysis")
conf.set("spark.local.dir", "./tmp")
#conf.set("spark.executor.memory", "20g")
#conf.set("spark.driver.memory", "20g")
conf.set("spark.python.worker.reuse", "yes")

sc = SparkContext(conf=conf)
sqlc = SQLContext(sc)

在启动pyspark时,我甚至使用--driver-memory 20g选项。

我的机器有500 GB内存和27个内核。我首先在名为lookup_tbl的内存中加载一个字典,该字典有17457954行。

当我尝试运行以下代码时,我的输出时间超过10分钟。等了这么久之后,我关闭了这个过程。我需要查找表功能。我甚至尝试使用broadcast功能。

sc.broadcast(lookup_tbl)
def clean_data(x, transform=lambda k: (int(k[0]), "\t".join(k[1:]))):
  x = x.split('\t')
  return transform(x)


def check_self(x):
  from_id = x[0]
  to_id = x[1]
  self_ = 1
  try:
    common_items = set(lookup_tbl[from_id]).intersection(set(lookup_tbl[to_id]))
  except KeyError:
    common_items = set()
  if len(common_items ) < 1:
    common_items = set("-")
    self_ = 0
  return (((from_id, to_id, k, self_) for k in common_items ))

pair = sc.textFile("data/pair.tsv").map(lambda x: clean_data(x, transform=lambda k: (int(k[0]), int(k[1])))).flatMap(check_self)
csv_data = pair.map(lambda x: "\t".join("%s" for k in xrange(len(x))) % x)
csv_data.saveAsTextFile("out/pair_transformed")

这是火花的问题还是我没有正确运行?此外,我已尝试为执行程序和驱动程序内存(~20g)设置各种值,但没有任何改进。

根据我的理解,spark首先尝试将此字典序列化,然后再将其发送到所有本地进程。有没有办法可以从公共位置使用这个词典?

1 个答案:

答案 0 :(得分:2)

首先要访问广播变量,你必须使用它的value属性:

# You can use get instead of catching KeyError
s1 = set(lookup_tbl.value.get(from_id, set()))
s2 = set(lookup_tbl.value.get(to_id, set()))
common_items = s1.intersection(s2)

为避免广播,您可以在lookup_tbl内部加载mapPartitions

def check_partition(iter):
   lookup_tbl = ...
   for x in iter:
       yield check_self

identity = lambda x: x
pair = (sc.textFile(...)
    .map(lambda x: clean_data(...)
    .mapPartitions(check_partition)
    .flatMap(identity))

如果lookup_tbl相对较大,那么它仍然非常昂贵。有很多方法可以解决这个问题:

  1. 使用SQLite连接而不是局部变量。

    import sqlite3
    conn = sqlite3.connect('path/to/lookup.db')
    
    c.execute("SELECT key FROM lookup WHERE id = '%s'" % from_id)
    s1 = {x[0] for x in c.fetchall()}
    c.execute("SELECT key FROM lookup WHERE id = '%s'" % to_id)
    s2 = {x[0] for x in c.fetchall()}
    common_items = s1.intersection(s2)
    

    设置简单,如果数据被正确编入索引,应该足够快

  2. 使用单个数据库服务器进行查找。 MongoDB应该可以正常工作,并且通过适当的内存映射可以显着减少总体内存占用

  3. 使用join代替广播

    swap = lambda x: (x[1], x[0])
    
    def reshape1(record):
       (k1, (items, k2)) = record
       return (k2, (k1, items))
    
    def reshape2(record):
       (k1, (items1, (k2, items2))) = record
       return (k1, k2, set(items1) & set(items2))
    
    pairs = sc.textFile(...).map(lambda x: clean_data(...))
    
    n = ... # Number of partitions
    lookup_rdd = sc.parallelize(lookup_tbl.items()).partitionBy(n)
    
    lookup_rdd.join(lookup_rdd.join(pairs).map(reshape1)).map(reshape2)