gpt4 book ai didi

apache-spark - 在 Spark 中使用 mapPartitions 或分区器按键进行高效分组

转载 作者:行者123 更新时间:2023-12-02 01:46:43 27 4
gpt4 key购买 nike

所以,我有如下数据,

[ (1, data1), (1, data2), (2, data3), (1, data4), (2, data5) ]

我想将其转换为以下内容,以进行进一步处理。

[ (1, [data1, data2, data4]), (2, [data3, data5]) ]

我使用了groupByKey和reduceByKey,但是由于数据量非常大,所以失败了。数据不高但宽。换句话说,键的范围是从 1 到 10000,但是值列表的范围是从 100k 到 900k。

我正在努力解决这个问题,并计划应用 mapPartitions(Hash)partitioner

所以,如果其中之一可行,我想知道

  1. 使用mapPartions,您能提供一些代码片段吗?
  2. 使用(Hash)partitioner,您能否举一些如何通过某些元素(如键)控制分区的示例。有没有一种方法可以根据键(即上面的1,2,..)创建每个分区,而无需进行洗牌。

Exception in thread "main" org.apache.spark.SparkException: Job aborted due to stage failure: ShuffleMapStage 9 (flatMap at TSUMLR.scala:209) has failed the maximum allowable number of times: 4. Most recent failure reason: org.apache.spark.shuffle.MetadataFetchFailedException: Missing an output location for shuffle 1
at org.apache.spark.MapOutputTracker$$anonfun$org$apache$spark$MapOutputTracker$$convertMapStatuses$2.apply(MapOutputTracker.scala:542)
at org.apache.spark.MapOutputTracker$$anonfun$org$apache$spark$MapOutputTracker$$convertMapStatuses$2.apply(MapOutputTracker.scala:538)
at scala.collection.TraversableLike$WithFilter$$anonfun$foreach$1.apply(TraversableLike.scala:772)
at scala.collection.IndexedSeqOptimized$class.foreach(IndexedSeqOptimized.scala:33)
at scala.collection.mutable.ArrayOps$ofRef.foreach(ArrayOps.scala:108)
at scala.collection.TraversableLike$WithFilter.foreach(TraversableLike.scala:771)
at org.apache.spark.MapOutputTracker$.org$apache$spark$MapOutputTracker$$convertMapStatuses(MapOutputTracker.scala:538)
at org.apache.spark.MapOutputTracker.getMapSizesByExecutorId(MapOutputTracker.scala:155)
at org.apache.spark.shuffle.BlockStoreShuffleReader.read(BlockStoreShuffleReader.scala:47)
at org.apache.spark.rdd.ShuffledRDD.compute(ShuffledRDD.scala:98)
at org.apache.spark.rdd.RDD.computeOrReadCheckpoint(RDD.scala:306)
at org.apache.spark.rdd.RDD.iterator(RDD.scala:270)
at org.apache.spark.rdd.MapPartitionsRDD.compute(MapPartitionsRDD.scala:38)
at org.apache.spark.rdd.RDD.computeOrReadCheckpoint(RDD.scala:306)
at org.apache.spark.rdd.RDD.iterator(RDD.scala:270)
at org.apache.spark.scheduler.ShuffleMapTask.runTask(ShuffleMapTask.scala:73)
at org.apache.spark.scheduler.ShuffleMapTask.runTask(ShuffleMapTask.scala:41)
at org.apache.spark.scheduler.Task.run(Task.scala:89)
at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:213)
at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1145)
at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:615)
at java.lang.Thread.run(Thread.java:745)

最佳答案

所提出的方法都不起作用。根据定义,分区器必须对数据进行混洗,并且会受到与 groupByKey 相同的限制。 mapPartitions 无法将数据移动到另一个分区,因此它完全没有用。由于您对问题的描述相当模糊,因此很难给出具体的建议,但一般来说我会尝试以下步骤:

  • 尝试重新思考问题。您真的需要一次获得所有值吗?您打算如何利用这些?不收集到单个分区是否可以获得相同的结果?
  • 是否可以减少流量?您期望有多少独特的值(value)?是否可以在随机播放之前压缩数据(例如计数值或使用 RLE)?
  • 考虑使用更大的执行器。 Spark 必须仅将单个键的值保留在内存中,并且可以将处理后的键溢出到磁盘。
  • 按键分割数据:

    val keys =  rdd.keys.distinct.collect
    val rdds = keys.map(k => rdd.filter(_._1 == k))

    并单独处理每个RDD。

关于apache-spark - 在 Spark 中使用 mapPartitions 或分区器按键进行高效分组,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/35025240/

27 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com