- 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?
我目前正在使用
val df=longLineageCalculation(....)
val newDf=sparkSession.createDataFrame(df.rdd, df.schema)
newDf.join......
为了在计算计划时节省时间,但是文档说检查点是“剪切”沿袭的建议方法。但我不想付出将 RDD 保存到磁盘的代价.
我的进程是一个批处理进程,时间不太长,可以毫无问题地重新启动,因此检查点对我来说没有好处(我认为)。
使用“我的”方法可能会出现哪些问题? (文档建议使用检查点,这是更昂贵的,而不是破坏谱系的检查点,我想知道原因)
我唯一能猜测的是,如果某个节点在我的“谱系破坏”之后失败,也许我的进程会失败,而检查点节点会正常工作? (如果 DF 被缓存而不是检查点会怎样?)
谢谢!
编辑:
From SMaZ answer, my own knowledge and the article which he provided. Using createDataframe (which is a Dev-API, so use at "my"/your own risk) will keep the lineage in memory (not a problem for me since I don't have memory problems and the lineage is not big).
With this, it looks (not tested 100%) that Spark should be able to rebuild whatever is needed if it fails.
As I'm not using the data in the following executions, I'll go withcache+createDataframe versus checkpointing (which If i'm not wrong, isactually cache+saveToHDFS+"createDataFrame").
My process is not that critical (if it crashes) since an user will be always expecting the result and they launch it manually, so if it gives problems, they can relaunch (+Spark will relaunch it) or call me, so I can take some risk anyways, but I'm 99% sure there's no risk :)
最佳答案
让我开始使用以下行创建数据框:
val newDf=sparkSession.createDataFrame(df.rdd, df.schema)
如果我们仔细研究SparkSession类,则该方法用 @DeveloperApi
进行注释。要了解此注释的含义,请查看 DeveloperApi 中的以下几行类
A lower-level, unstable API intended for developers.
Developer API's might change or be removed in minor versions of Spark.
因此,不建议将此方法用于生产解决方案,在开源世界中称为使用风险自负实现。
但是,让我们更深入地了解当我们从 RDD 调用 createDataframe
时会发生什么。它正在调用internalCreateDataFrame
私有(private)方法并创建LogicalRDD
。
LogicalRDD 在以下情况下创建:
因此,它与检查点操作相同,无需物理保存数据集。它只是从内部二进制行和架构的 RDD 创建 DataFrame。这可能会截断内存中的谱系,但不会截断物理级别。
所以我相信这只是创建另一个 RDD 的开销,并且不能用作检查点的替代品。
现在,检查点是截断谱系图并将其保存到可靠的分布式/本地文件系统的过程。
为什么选择检查点?
如果计算需要很长时间或谱系太长或取决于太多的RDD
保留大量沿袭信息会带来内存成本。
即使 Spark 应用程序终止,检查点文件也不会自动删除,因此我们可以将其用于其他进程
What are the problems which can arise using "my" method? (Docs suggests checkpointing, which is more expensive, instead of this one for breaking lineages and I would like to know the reason)
This文章将提供有关缓存和检查点的详细信息。 IIUC,你的问题更多的是我们应该在哪里使用检查点。让我们讨论一些检查点有用的实际场景
Spark MLlib
用例)。现在,在这个迭代过程中,谱系将在此期间不断增长。这里定期检查数据集(假设每 10 次迭代)将确保在发生任何故障时我们可以从最后一个故障点开始该过程。 sparkSession
的所有后续进程重用。 My process is a batch process which is not-so-long and can be restarted without issues, so checkpointing is not benefit for me (I think).
这是正确的,如果您的进程不是重计算/大沿袭,那么就没有检查点的意义。 经验法则是,如果您的数据集没有多次使用,并且重建速度快于检查点/缓存所花费的时间和资源,那么我们应该避免它。它将为您的流程提供更多资源。
关于apache-spark - Spark createDataFrame(df.rdd, df.schema) 与 checkPoint 打破沿袭,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/57750413/
我在 eventhub 中遇到了 Blob 存储检查点问题。如果我在获取消费者客户端时没有设置 checkpoint_store,我的应用程序运行正常。每当我尝试设置 checkpoint_store
当它说时,辅助名称节点检查点每小时(fs.checkpoint.period 以秒为单位)或如果编辑日志已达到 64 MB(fs.checkpoint.size 以字节为单位)则更早?究竟是什么意思?
我正在运行 PostgreSQL 服务器并将 shared_buffers 限制为 4GB。 当我在数据库中插入大量记录时,检查点进程开始消耗 RAM。即使在一天后,此过程既不会结束也不会减少 RAM
我已经用 sc.setCheckpointDir 设置了检查点目录方法。 /checkpointDirectory/ 然后我创建了一个 rdd 的检查点:rdd.checkpoint()在目录中,我现
我建立了自己的卷积神经网络,在其中跟踪所有可训练变量的移动平均值(tensorflow 1.0): variable_averages = tf.train.ExponentialMovingAver
我们有一个强大的 Postgres 服务器(64 核,384 GB RAM,16 个 15k SAS 驱动器,RAID 10),并且在一天中我们多次重建几个写入密集型的大型数据集。 Apache 和
我需要以编程方式获取不依赖于目录列表和文件扩展验证的现有检查点列表,如果您键入: tf.train.get_checkpoint_state('checkpoints') 您可以看到已打印此列表,但我
我一直在到处寻找这个问题的答案,但无济于事。我希望能够运行我的代码并将变量存储在内存中,以便我可以设置一个“检查点”,我可以在将来运行它。原因是我有一个相当昂贵的函数,它需要一些时间来计算(以及用户输
作为我的问题的序言,让我提供一些背景信息:我目前正在研究一个包含许多不同步骤的数据管道。每一步都可能出错,而且很多都需要一些时间(不是很多,但在几分钟的数量级)。 因此,管道目前受到人工的严格监督。分
本文整理了Java中org.apache.flink.runtime.checkpoint.ZooKeeperCompletedCheckpointStore类的一些代码示例,展示了ZooKeeper
本文整理了Java中org.apache.flink.runtime.checkpoint.ZooKeeperCheckpointIDCounter类的一些代码示例,展示了ZooKeeperCheck
本文整理了Java中org.apache.flink.runtime.checkpoint.ZooKeeperCheckpointRecoveryFactory类的一些代码示例,展示了ZooKeepe
根据 this question和我读过的文档,Spark Streaming 的 foreachRDD(someFunction) 将让 someFunction 本身仅在驱动程序进程中执行,但如果
我正在使用简单的猫与狗数据集在 Google Colab 上尝试新添加的 TPU 支持。 在创建了一个简单的 CNN 之后,我尝试将模型导出到 TPU。但它因错误而失败 TypeError: Chec
我正在尝试在tensorflow-serving中使用重新训练的inception-v3模型。但看来我必须提供一个“检查点”。我想知道如何获得这些“检查点”? retrain.py 返回一个 retr
所以我有一个基于 census tutorial 的 ML 引擎包我尝试使用 --min-eval-Frequency 标志每 N 个步骤执行一次评估,但我不断在 stackdriver 日志中收到消
我可以通过以下方式在检查点( https://www.tensorflow.org/beta/guide/checkpoints#manually_inspecting_checkpoints )中保
我刚刚在 IndoorAtlas 上进行了分析,并使用 ios SDK 尝试了示例应用程序。当我四处走动时,我在创建的平面图中更新了我的位置。 我想知道当我到达我在楼层内创建检查点的位置时应该如何接收
我正在训练一个 tensorflow 模型,在每个 epoch 之后我保存模型状态并 pickle 一些数组。到目前为止,我的模型做了 2 个时期,保存状态的文件夹包含以下文件: checkpoint
您好,我正在尝试运行一个经常因 StackoverflowError 而失败的长 sparkjob。该作业读取一个 parquetfile 并在 foreach 循环中创建一个 rdd。在做了一些研究
我是一名优秀的程序员,十分优秀!