- 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?
我正在尝试做一些非常简单的事情,但我遇到了一些非常愚蠢的斗争。我认为这一定与对 Spark 正在做什么的根本误解有关。我将不胜感激任何帮助或解释。
我有一个非常大的(~3 TB,~300MM 行,25k 分区)表,在 s3 中保存为 Parquet ,我想给某人一个小样本作为单个 Parquet 文件。不幸的是,这需要很长时间才能完成,我不明白为什么。我尝试了以下方法:
tiny = spark.sql("SELECT * FROM db.big_table LIMIT 500")
tiny.coalesce(1).write.saveAsTable("db.tiny_table")
print
以进行调试。)
tiny = spark.table("db.big_table").limit(500).coalesce(1)
print(tiny.count())
print(tiny.show(10))
tiny.write.saveAsTable("db.tiny_table")
write
正在使用 25k 映射器。
count
花了 3 分钟,
show
花了 25 分钟,然后
write
花了大约 40 分钟,尽管它最终确实编写了我正在寻找的单个文件表。
sample
而不是
limit
但据我所知
limit
应该快得多。那正确吗?
最佳答案
我会联系print
首先是函数问题,因为它是理解 spark 的基础。然后limit
对比 sample
.然后repartition
对比 coalesce
.
原因print
函数以这种方式花费这么长时间是因为 coalesce
是一个懒惰的转变。 spark 中的大多数转换都是惰性的,直到 才会被评估。行动被调用。
行动是做事的事情,(主要是)不要结果返回一个新的数据帧。赞 count
, show
.它们返回一个数字和一些数据,而 coalesce
返回一个具有 1 个分区的数据帧(有点,见下文)。
发生的事情是您正在重新运行 sql 查询和 coalesce
每次在 tiny
上调用操作时调用数据框。这就是他们为每次调用使用 25k 映射器的原因。
为了节省时间,添加 .cache()
方法到第一行(无论如何,对于您的 print
代码)。
然后数据帧转换实际上在你的第一行执行,结果保存在你的 Spark 节点的内存中。
这不会对第一行的初始查询时间产生任何影响,但至少您不会再运行该查询 2 次,因为结果已被缓存,然后操作可以使用该缓存结果。
要将其从内存中删除,请使用 .unpersist()
方法。
现在对于您尝试执行的实际查询...
这实际上取决于您的数据是如何分区的。如,它是否在特定字段等上进行分区...
您在问题中提到了它,但是 sample
可能是正确的方法。
为什么是这样?limit
必须搜索 中的 500 个第一 行。除非您的数据按行号(或某种递增的 id)进行分区,否则前 500 行可以存储在 25k 分区中的任何一个中。
因此,spark 必须搜索所有这些值,直到找到所有正确的值。不仅如此,它还必须执行一个额外的步骤来对数据进行排序以获得正确的顺序。sample
只抓取 500 个随机值。更容易做,因为没有涉及数据的顺序/排序,也不必搜索特定分区的特定行。
虽然 limit
可以更快,它也有它的,呃,限制。我通常只将它用于非常小的子集,例如 10/20 行。
现在进行分区....
我认为 coalesce
的问题是吗几乎改变分区。现在我不确定这一点,所以少许盐。
根据pyspark
文档:
this operation results in a narrow dependency, e.g. if you go from 1000 partitions to 100 partitions, there will not be a shuffle, instead each of the 100 new partitions will claim 10 of the current partitions.
.repartition(1).cache()
引起洗牌(通常是坏的)并坚持 Spark 内存在这里可能是个好主意。因为当您
write
时,而不是让 25k 映射器查看物理分区,它应该只会导致 1 个映射器查看 Spark 内存中的内容。然后
write
变得容易。您还在处理一个小子集,因此任何改组都应该(希望)是可管理的。
sample
照顾那个。
repartition
和 coalesce
data.repartition(4)
将数据从每个节点的每 4 组分区物理移动到每个节点的 1 个分区。
coalesce(4)
调用虽然不移动数据,但它更聪明。相反,它识别“我已经有每个节点 4 个分区和总共 4 个节点......我只是将每个节点的所有 4 个分区称为单个分区,然后我将有 4 个分区!”
关于apache-spark - 将 Spark 数据帧写入单个 Parquet 文件,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/52206576/
目前正在学习 Spark 的类(class)并了解到执行者的定义: Each executor will hold a chunk of the data to be processed. Thisc
阅读了有关 http://spark.apache.org/docs/0.8.0/cluster-overview.html 的一些文档后,我有一些问题想要澄清。 以 Spark 为例: JavaSp
Spark核心中的调度器与以下Spark Stack(来自Learning Spark:Lightning-Fast Big Data Analysis一书)中的Standalone Schedule
我想在 spark-submit 或 start 处设置 spark.eventLog.enabled 和 spark.eventLog.dir -all level -- 不要求在 scala/ja
我有来自 SQL Server 的数据,需要在 Apache Spark (Databricks) 中进行操作。 在 SQL Server 中,此表的三个键列使用区分大小写的 COLLATION 选项
所有这些有什么区别和用途? spark.local.ip spark.driver.host spark.driver.bind地址 spark.driver.hostname 如何将机器修复为 Sp
我有大约 10 个 Spark 作业,每个作业都会进行一些转换并将数据加载到数据库中。必须为每个作业单独打开和关闭 Spark session ,每次初始化都会耗费时间。 是否可以只创建一次 Spar
/Downloads/spark-3.0.1-bin-hadoop2.7/bin$ ./spark-shell 20/09/23 10:58:45 WARN Utils: Your hostname,
我是 Spark 的完全新手,并且刚刚开始对此进行更多探索。我选择了更长的路径,不使用任何 CDH 发行版安装 hadoop,并且我从 Apache 网站安装了 Hadoop 并自己设置配置文件以了解
TL; 博士 Spark UI 显示的内核和内存数量与我在使用 spark-submit 时要求的数量不同 更多细节: 我在独立模式下运行 Spark 1.6。 当我运行 spark-submit 时
spark-submit 上的文档说明如下: The spark-submit script in Spark’s bin directory is used to launch applicatio
关闭。这个问题是opinion-based .它目前不接受答案。 想改善这个问题吗?更新问题,以便可以通过 editing this post 用事实和引文回答问题. 6 个月前关闭。 Improve
我想了解接收器如何在 Spark Streaming 中工作。根据我的理解,将有一个接收器任务在执行器中运行,用于收集数据并保存为 RDD。当调用 start() 时,接收器开始读取。需要澄清以下内容
有没有办法在不同线程中使用相同的 spark 上下文并行运行多个 spark 作业? 我尝试使用 Vertx 3,但看起来每个作业都在排队并按顺序启动。 如何让它在相同的 spark 上下文中同时运行
我们有一个 Spark 流应用程序,这是一项长期运行的任务。事件日志指向 hdfs 位置 hdfs://spark-history,当我们开始流式传输应用程序时正在其中创建 application_X
我们正在尝试找到一种加载 Spark (2.x) ML 训练模型的方法,以便根据请求(通过 REST 接口(interface))我们可以查询它并获得预测,例如http://predictor.com
Spark newb 问题:我在 spark-sql 中进行完全相同的 Spark SQL 查询并在 spark-shell . spark-shell版本大约需要 10 秒,而 spark-sql版
我正在使用 Spark 流。根据 Spark 编程指南(参见 http://spark.apache.org/docs/latest/programming-guide.html#accumulato
我正在使用 CDH 5.2。我可以使用 spark-shell 运行命令。 如何运行包含spark命令的文件(file.spark)。 有没有办法在不使用 sbt 的情况下在 CDH 5.2 中运行/
我使用 Elasticsearch 已经有一段时间了,但使用 Cassandra 的经验很少。 现在,我有一个项目想要使用 Spark 来处理数据,但我需要决定是否应该使用 Cassandra 还是
我是一名优秀的程序员,十分优秀!