我是新手,使用 Spark 1.6.1 与两名工作人员,每人内存1GB 和 5内核已分配,在33MB文件上运行此代码。
此代码用于在spark中索引单词。
from textblob import TextBlob as tb
from textblob_aptagger import PerceptronTagger
import numpy as np
import nltk.data
import Constants
from pyspark import SparkContext,SparkConf
import nltk
TOKENIZER = nltk.data.load('tokenizers/punkt/english.pickle')
def word_tokenize(x):
return nltk.word_tokenize(x)
def pos_tag (s):
global TAGGER
return TAGGER.tag(s)
def wrap_words (pair):
''' associable each word with index '''
index = pair[0]
result = []
for word, tag in pair[1]:
word = word.lower()
result.append({ "index": index, "word": word, "tag": tag})
index += 1
return result
if __name__ == '__main__':
conf = SparkConf().setMaster(Constants.MASTER_URL).setAppName(Constants.APP_NAME)
sc = SparkContext(conf=conf)
data = sc.textFile(Constants.FILE_PATH)
sent = data.flatMap(word_tokenize).map(pos_tag).map(lambda x: x[0]).glom()
num_partition = sent.getNumPartitions()
base = list(np.cumsum(np.array(sent.map(len).collect())))
base.insert(0, 0)
base.pop()
RDD = sc.parallelize(base,num_partition)
tagged_doc = RDD.zip(sent).map(wrap_words).cache()
对于较小的文件< 25MB代码工作正常,但是对于大小超过25MB的文件会出错 帮我解决这个问题或者提供这个问题的替代方案吗?
答案 0 :(得分:0)
那是因为.collect()。将rdd转换为经典的python变量(或np.array)时,会丢失所有数据,所有数据都收集在同一个地方。