Question

我有一个来自s3的大型（大约85 GB压缩）gzip压缩文件，我试图用AWS EMR上的Spark处理（现在有一个m4.xlarge主实例和两个m4.10xlarge核心实例，每个都有100 GB EBS卷）。我知道gzip是一种不可拆分的文件格式，而I've seen it suggested应该重新对压缩文件进行重新分区，因为Spark最初为RDD提供了一个分区。但是，在做完

之后

scala> val raw = spark.read.format("com.databricks.spark.csv").
     | options(Map("delimiter" -> "\\t", "codec" -> "org.apache.hadoop.io.compress.GzipCodec")).
     | load("s3://path/to/file.gz").
     | repartition(sc.defaultParallelism * 3)
raw: org.apache.spark.sql.Dataset[org.apache.spark.sql.Row] = [_c0: string, _c1: string ... 48 more fields
scala> raw.count()

并且看一下Spark应用程序UI，我仍然看到只有一个活动执行程序（其他14个已经死了）有一个任务，并且作业永远不会完成（或者至少我没有等待足够长的时间它）。

这里发生了什么？有人可以帮我理解Spark在这个例子中是如何工作的吗？
我应该使用其他群集配置吗？
不幸的是，我无法控制压缩模式，但有没有其他方法来处理这样的文件？

Answer 1

如果文件格式不可拆分，那么就无法避免在一个核心上完整地读取文件。为了并行化工作，您必须知道如何将工作块分配给不同的计算机。在gzip的情况下，假设您将其分成128M块。第n个块取决于第n-1个块的位置信息，知道如何解压缩，这取决于n-2-nd块，依此类推，直到第一个。

如果要并行化，则需要使此文件可拆分。一种方法是解压缩并解压缩它，或者你可以解压缩它，将它分成几个文件（每个并行任务一个文件），然后gzip每个文件。

Answer 2

我遇到了这个问题，这就是解决方案。

解决此问题的最佳方法是在Spark批处理运行之前解压缩.gz文件。然后使用这个解压缩文件，之后我们可以使用Spark并行。

解压缩.gz文件的代码。

import gzip
import shutil
with open('file.txt.gz', 'rb') as f_in, gzip.open('file.txt', 'wb') as f_out:
    shutil.copyfileobj(f_in, f_out)

Answer 3

Spark可以并行读取单个gzip文件。

最好的方法是将其拆分成块压缩。

但是，Spark读取gzip文件的速度确实很慢。您可以这样做以加快速度：

file_names_rdd = sc.parallelize(list_of_files, 100)
lines_rdd = file_names_rdd.flatMap(lambda _: gzip.open(_).readlines())

阅读Python的两倍快于读取本地Spark gzip阅读器。

处理Spark

3 个答案: