Question

我想在Spark中运行代码时更好地理解DAG执行情况。我知道Spark是懒惰评估的，当我们执行任何操作（如count，show，cache）时，它会运行转换命令。

但是我想知道在DAG执行这些操作的时间有多远。

就像我在预测数据框上编写以下命令一样。

sorted_predictions=predictions.orderBy(['user','prediction'],ascending=[1,0])

def mapIdToString(x):
    """ This function takes in the predicted dataframe and adds the original Item string to it

    """

global data_map_var
d_map=data_map_var.value
data_row= x.asDict()
#print data_row

for name, itemID in d_map.items():
    if data_row['item']== itemID:
        return (data_row['user'],data_row['item'],name,data_row['rating'],data_row['prediction'])


sorted_rdd=sorted_predictions.map(mapIdToString)
In [20]:

sorted_rdd.take(5)
Out[20]:
[(353, 21, u'DLR_Where Dreams Come True Town Hall', 0, 0.896152913570404),
 (353, 2, u'DLR_Leading at a Higher Level', 1, 0.7186800241470337),
 (353,
  220,
  u'DLR_The Year of a Million Dreams Leadership Update',
  0,
  0.687175452709198),
 (353, 1, u'DLR_Challenging Conversations', 1, 0.6632049083709717),
 (353,
  0,
  u'DLR_10 Keys to Inspiring, Engaging, and Energizing Your People',
  1,
  0.647541344165802)]

sorted_df=sqlContext.createDataFrame(sorted_rdd,['user','itemId','itemName','rating','prediction'])


sorted_df.registerTempTable("predictions_df")

query = """ 
      select * from predictions_df 
      where user =353 
      and rating =0
      """
items_recommended=sqlContext.sql(query)

现在，当我运行以下命令时，我期待它，因为它是一个小查询，它应该快速运行。但是提供输出需要很多时间。看起来它一直到达DAG的顶部并再次执行所有的事情？

我不明白，因为当我执行sorted_rdd.take（5）命令时，DAG会被破坏。因此，如果我现在运行以下命令，那么执行此命令后的所有内容都将被执行，而不是之前

items_recommended.count()

那为什么它会运行一个小时？我使用60个执行器和5个核心。 Sorted_rdd有450MM行。

EDIT1：

这是大卫答案的后续行动。可以说我有以下命令。

对数据帧进行排序

sorted_predictions=predictions.orderBy(['user','prediction'],ascending=[1,0])
sorted_predictions.show(20)

sorted_rdd=sorted_predictions.map(mapIdToString)

sorted_rdd.take(5)

你是说每次我用.take()运行最后一个命令时它会回到第一个orderBy并再次对数据帧进行排序并再次运行所有命令吗？即使我执行sorted_prediction.show()执行早期的排序命令？

编辑II：

如果我有如下功能：

def train_test_split(self,split_perc):

    """ This function takes the DataFrame/RDD of ratings and splits 
    it into Training, Validation and testing based on the splitting 
    percentage passed as parameters

    Param: ratings Dataframe of Row[(UserID,ItemID,ratings)]
    Returns: train, validation, test

    """

   # Converting the RDD back to dataframe to be used in DataFrame ml API

    #ratings=sqlContext.createDataFrame(split_sdf,["user", "item", "rating"])

    random_split=self.ratings_sdf.randomSplit(split_perc,seed=20)

    #return random_split[0],random_split[1],random_split[2]

    self.train=random_split[0]
    self.train.cache().count()

    # Converting the ratings column to float values for Validation and Test data
    self.validation=random_split[1].withColumn('rating',(random_split[1].rating>0).astype('double'))
    self.test=random_split[2].withColumn('rating',(random_split[2].rating>0).astype('double'))

    self.validation.cache().count()
    self.test.cache()

这个功能基本上是将数据帧分成train，val和test。我将在机器学习任务中使用所有三个，因此将使用火车训练算法和val进行超参数调整。

所以我在上面全部三个缓存了。但是为了使缓存可执行，我在所有三个上都执行了.count。但是现在这个功能需要花费很多时间。你认为这三个都需要一个.count，或者我可以在一个（test.count（）上执行.count，它会执行上面函数中的所有命令，并且还会缓存train和val数据框吗？我认为应该工作并且不需要三次计数？

Answer 1

我不明白，因为当我执行sorted_rdd.take（5）命令时，DAG会被破坏。因此，执行此命令后的所有内容都将执行，而不是在
之前执行

Spark的懒惰评估扩展到将内容存储在内存中。除非您明确cache()中间数据，否则不会这样做。如果没有cache()电话，Spark也需要在take(5)电话之前重新处理所有步骤。要解决此问题，请在take此操作之前缓存您的rdd

 sorted_rdd.cache().take(5)

寻址编辑

你是说每次我用.take()运行最后一个命令时它会回到第一个orderBy并再次对数据帧进行排序并再次运行所有命令吗？即使我执行sorted_prediction.show()执行早期的排序命令？。

正确。在下面的代码中，Spark需要运行所有步骤来创建predictions以及orderBy计算，以显示20行sorted_predictions。然后，它将运行所有步骤来创建predictions，orderBy计算和map计算，以显示5行sorted_rdd。

sorted_predictions=predictions.orderBy(['user','prediction'],ascending=[1,0])
sorted_predictions.show(20)

sorted_rdd=sorted_predictions.map(mapIdToString)
sorted_rdd.take(5)

来自评论

我认为缓存也是一个动作

缓存本身并不是一个动作。它是将RDD / DataFrame存储在内存中的指令，但实际上不会发生这种情况，直到某个动作运行（例如，计数，接受，显示等）< / p>

了解Spark执行中的DAG

对数据帧进行排序

1 个答案:

寻址编辑

来自评论