- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
这些天我要处理非常大的日志数据(压缩为7z后700GB),性能问题至关重要。考虑到我正在工作的环境(8 核),我正在考虑利用并行编程来实现更好的性能。目前我正在使用内置的多处理库,性能有所提高,但我想要更好。我听说还有很多其他的 python 并行编程库,例如 pp。
所以我的问题是这些模块之间有什么区别?有比其他更好的吗?
最佳答案
首先,有几个问题:
我认为您应该考虑使用 MapReduce 来处理如此大量的数据。
出于示例任务的目的,我假设您有 800GB 的压缩广告服务器事件日志数据,并且您想要执行一些简单的操作,例如计算该数据集中唯一用户的数量。对于这种数据量和这种处理方式,多处理将会有所帮助,但使用 MapReduce 会更快:我会研究 EMR和 MrJob或Dumbo 。执行简单的处理工作(例如用户计数)将有助于验证过程并帮助您开始从映射器和化简器角度思考问题。处理更复杂的任务需要花费更多的时间,但我认为如果您要在任何实际时间内处理如此大量的数据,那么这种投资是非常值得的。
例如,计算唯一用户数将从映射器开始,该映射器简单地获取每一行广告服务器数据并发出用户 ID(cookieID、IP 地址,以及我们可以用来区分用户的任何内容)。您还将拥有一个缩减程序,它将这些用户 ID 作为输入并删除或计算重复项。
当然,一旦您决定尝试一下,仍有大量工作要做。准备数据(将大文件拆分或将小文件分组为 blob,以便有效分配工作、存储未压缩的数据或以 EMR 的 Hadoop 风格理解的压缩格式存储数据)、调整 hadoop 变量以使用可用资源和您的算法、上传数据到s3等
从好的方面来说,您实际上应该能够在几个小时内处理 800GB 的数据。
Python 中的简单 MapReduce 示例:
这是日志文件格式:
AuctionID\tUserID\tSiteID\tURL\tUserAgent\tTimestamp
这只是一个简单的制表符分隔值 (tsv) 文件。
因此,我们将编写一个简单的映射器来从 stdin 中读取这样的行,并将 UserID 写入 stdout。
import sys
def usercount_mapper(input):
for line in input:
line = line.strip()
parts = line.split("\t")
user_id = parts[1]
print "%s\t%s"%(user_id, 1)
if __name__=="__main__":
usercount_mapper(sys.stdin)
还有一个简单的reducer实现来计算唯一的userId:
import sys
user_ids = {}
def usercount_reducer(input):
for line in input:
line = line.strip()
user_id, count = line.split("\t")
try:
count = int(count)
except ValueError:
continue
current_count = user_ids.get(user_id, 0)
user_ids[user_id] = current_count + count
for user_id, count in user_ids.iteritems():
print "%s\t%s"%(user_id, count)
if __name__=="__main__":
usercount_reducer(sys.stdin)
您可以在单个数据 block 上运行它,以便在本地测试它,只需执行以下操作:
$ cat mydata.tsv | map.py | sort | reduce.py > result.tsv
mapreduce 框架(如果您使用 EMR,则为 hadoop)将负责运行多个映射和化简任务,并在将数据传递给 reducer 之前对来自映射器的数据进行排序。为了让reducers真正完成他们的工作,MR框架还将散列键值(选项卡中的第一个值将输出与映射器分开(在本例中为UserID)),并将具有相同散列的映射器分发到相同的reducer。这样,id为4的用户将始终转到reducer 1,id 5将转到reducer 2,依此类推。
如果你想自己构建一些东西,你可以直接查看 Disco (Disco 是 Python 和 Erlang,所以如果您对 java 过敏,它可能是一个不错的选择:-))或 Hadoop构建您自己的 MapReduce 基础设施,而不是使用 EMR。在 Hadoop/EMR 世界中,还有一些很酷的数据处理平台,例如 Hive (用于描述数据和映射缩减算法的类似 SQL 的环境)或 Pig (就像 grep 和 awk 一样)这可能比上面的脚本更适合您。
例如,在 Hive 中表达您的架构后,您可以编写以下查询来获取唯一用户(假设您之前定义了表 users):
SELECT DISTINCT users.user_id FROM users;
关于python - Python 中不同的并行模块,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/7116428/
我正在处理一组标记为 160 个组的 173k 点。我想通过合并最接近的(到 9 或 10 个组)来减少组/集群的数量。我搜索过 sklearn 或类似的库,但没有成功。 我猜它只是通过 knn 聚类
我有一个扁平数字列表,这些数字逻辑上以 3 为一组,其中每个三元组是 (number, __ignored, flag[0 or 1]),例如: [7,56,1, 8,0,0, 2,0,0, 6,1,
我正在使用 pipenv 来管理我的包。我想编写一个 python 脚本来调用另一个使用不同虚拟环境(VE)的 python 脚本。 如何运行使用 VE1 的 python 脚本 1 并调用另一个 p
假设我有一个文件 script.py 位于 path = "foo/bar/script.py"。我正在寻找一种在 Python 中通过函数 execute_script() 从我的主要 Python
这听起来像是谜语或笑话,但实际上我还没有找到这个问题的答案。 问题到底是什么? 我想运行 2 个脚本。在第一个脚本中,我调用另一个脚本,但我希望它们继续并行,而不是在两个单独的线程中。主要是我不希望第
我有一个带有 python 2.5.5 的软件。我想发送一个命令,该命令将在 python 2.7.5 中启动一个脚本,然后继续执行该脚本。 我试过用 #!python2.7.5 和http://re
我在 python 命令行(使用 python 2.7)中,并尝试运行 Python 脚本。我的操作系统是 Windows 7。我已将我的目录设置为包含我所有脚本的文件夹,使用: os.chdir("
剧透:部分解决(见最后)。 以下是使用 Python 嵌入的代码示例: #include int main(int argc, char** argv) { Py_SetPythonHome
假设我有以下列表,对应于及时的股票价格: prices = [1, 3, 7, 10, 9, 8, 5, 3, 6, 8, 12, 9, 6, 10, 13, 8, 4, 11] 我想确定以下总体上最
所以我试图在选择某个单选按钮时更改此框架的背景。 我的框架位于一个类中,并且单选按钮的功能位于该类之外。 (这样我就可以在所有其他框架上调用它们。) 问题是每当我选择单选按钮时都会出现以下错误: co
我正在尝试将字符串与 python 中的正则表达式进行比较,如下所示, #!/usr/bin/env python3 import re str1 = "Expecting property name
考虑以下原型(prototype) Boost.Python 模块,该模块从单独的 C++ 头文件中引入类“D”。 /* file: a/b.cpp */ BOOST_PYTHON_MODULE(c)
如何编写一个程序来“识别函数调用的行号?” python 检查模块提供了定位行号的选项,但是, def di(): return inspect.currentframe().f_back.f_l
我已经使用 macports 安装了 Python 2.7,并且由于我的 $PATH 变量,这就是我输入 $ python 时得到的变量。然而,virtualenv 默认使用 Python 2.6,除
我只想问如何加快 python 上的 re.search 速度。 我有一个很长的字符串行,长度为 176861(即带有一些符号的字母数字字符),我使用此函数测试了该行以进行研究: def getExe
list1= [u'%app%%General%%Council%', u'%people%', u'%people%%Regional%%Council%%Mandate%', u'%ppp%%Ge
这个问题在这里已经有了答案: Is it Pythonic to use list comprehensions for just side effects? (7 个答案) 关闭 4 个月前。 告
我想用 Python 将两个列表组合成一个列表,方法如下: a = [1,1,1,2,2,2,3,3,3,3] b= ["Sun", "is", "bright", "June","and" ,"Ju
我正在运行带有最新 Boost 发行版 (1.55.0) 的 Mac OS X 10.8.4 (Darwin 12.4.0)。我正在按照说明 here构建包含在我的发行版中的教程 Boost-Pyth
学习 Python,我正在尝试制作一个没有任何第 3 方库的网络抓取工具,这样过程对我来说并没有简化,而且我知道我在做什么。我浏览了一些在线资源,但所有这些都让我对某些事情感到困惑。 html 看起来
我是一名优秀的程序员,十分优秀!