- 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?
我正在整理一个概念证明,我想在其中使用 PyCuda 在分布式环境(具体来说是 AWS)中处理大型字符数据文件(每个任务一个文件约 8GB)。我知道 HDFS 会将数据文件分段并将其分发给工作人员,但我正在努力使我的环境尽可能简单,如果没有必要,我宁愿不必安装 Hadoop。
我最近看了几个来自 Continuum Analytics 的关于他们的 Dask 框架的网络研讨会,看起来它完全可以满足我的需要。鉴于以上段落和 Dask 框架,当前对文件系统的建议是什么?我是坚持使用 HDFS 还是有更好/更简单的解决方案?
最佳答案
大多数文件系统都提供只读取文件的一部分的能力,包括 HDFS(您的本地文件系统)和 S3(AWS 实例的标准批量数据存储)。这允许并行计算框架(如 Dask)将大文件分成许多较小的部分,供工作人员并行处理。
对于大多数用例,这会在幕后自动发生(read_text
和 read_csv
的用户不必为此担心。)听起来您有一个自定义文件格式,所以我将引导您使用 read_bytes
函数。对于 S3,其工作方式如下:
from dask.bytes import read_bytes
sample, partitions = read_bytes('s3://bucket/keys.*.foo',
blocksize=100000000)
样本将是一个 10kB 的简短数据样本,partitions
将是 dask.delayed 的列表。可与一般 for 循环一起使用以构建计算的对象。
如果您的数据有某种您希望 dask 遵守的分隔符,您可以使用 delimiter=
关键字参数提供它。
同样的功能也适用于其他系统,例如您的本地文件系统或 HDFS(如果您已经安装并导入了 hdfs3
和 distributed
)。
sample, partitions = read_bytes('local://bucket/keys.*.foo', blocksize=100000000)
sample, partitions = read_bytes('hdfs://bucket/keys.*.foo')
例如,这是我们如何实现 dask.dataframe.read_csv
from dask import delayed
import pandas as pd
import dask.dataframe as dd
def read_csv(path, **kwargs):
sample, partitions = read_bytes(path, blocksize=100000000, delimiter=b'\n')
dataframes = [delayed(pd.read_csv)(part, **kwargs) for part in partitions]
return dd.from_delayed(dataframes)
这是不正确的,因为 pd.read_csv
实际上需要一个 BytesIO 对象,我们没有稳健地处理关键字参数,并且我们没有很好地管理示例中的数据帧元数据(列、数据类型等) ..)这些细节妨碍了一般观点,并且可能超出了这个问题的兴趣。
人们一直将此问题作为对“如何从 S3 读取数据?”这一更普遍问题的回答。大多数人不使用read_bytes
接口(interface),它有点低级。相反,大多数用户可能希望使用如下所示的高级功能之一:
import dask.bag as db
records = db.read_text('s3://bucket/keys.*.json').map(json.loads)
import dask.dataframe as dd
df = dd.read_csv('s3://bucket/keys.*.csv')
关于distributed-computing - 使用 Dask 从文件系统/S3 并行读取文件 block ?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/37245163/
有没有办法同时运行 2 个不同的代码块。我一直在研究 R 中的并行包,它们似乎都基于在循环中运行相同的函数。我正在寻找一种同时运行不同函数的方法(循环的 1 次迭代)。例如,我想在某个数据对象上创建一
无论如何增加 Parallel.For 启动后的循环次数?示例如下: var start = 0; var end = 5; Parallel.For(start, end, i => { C
我是 Golang 的新手,正在尝试了解并发和并行。我阅读了下面提到的关于并发和并行的文章。我执行了相同的程序。但没有得到相同的(混合字母和字符)输出。首先获取所有字母,然后获取字符。似乎并发不工作,
我正在寻找同时迭代 R 中两个或多个字符向量/列表的方法,例如。有没有办法做这样的事情: foo <- c('a','c','d') bar <- c('aa','cc','dd') for(i in
我对 Raku 很陌生,我对函数式方法有疑问,尤其是 reduce。 我最初有这样的方法: sub standardab{ my $mittel = mittel(@_); my $foo =
我最近花了很多时间来学习实时音频处理的细节,我发现的大多数库/工具都是c / c++代码或脚本/图形语言的形式,并在其中编译了c / c++代码。引擎盖。 使用基于回调的API,与GUI或App中的其
我正在使用 JMeter 进行图像负载测试。我有一个图像名称数组并遍历该数组,我通过 HTTP 请求获取所有图像。 -> loop_over_image - for loop controller
我整个晚上都在困惑这个问题...... makeflags = ['--prefix=/usr','--libdir=/usr/lib'] rootdir='/tmp/project' ps = se
我正在尝试提高计算图像平均值的方法的性能。 为此,我使用了两个 For 语句来迭代所有图像,因此我尝试使用一个 Parallel For 来改进它,但结果并不相同。 我做错了吗?或者是什么导致了差异?
假设您有一个并行 for 循环实现,例如ConcRT parallel_for,将所有工作放在一个 for 循环体内总是最好的吗? 举个例子: for(size_t i = 0; i < size()
我想并行运行一部分代码。目前我正在使用 Parallel.For 如何让10、20或40个线程同时运行 我当前的代码是: Parallel.For(1, total, (ii) =>
我使用 PAY API 进行了 PayPal 自适应并行支付,其中无论用户(买家)购买什么,都假设用户购买了总计 100 美元的商品。在我的自适应并行支付中,有 2 个接收方:Receiver1 和
我正在考虑让玩家加入游戏的高效算法。由于会有大量玩家,因此算法应该是异步的(即可扩展到集群中任意数量的机器)。有细节:想象有一个无向图(每个节点都是一个玩家)。玩家之间的每条边意味着玩家可以参加同一场
我有一个全局变量 volatile i = 0; 和两个线程。每个都执行以下操作: i++; System.out.print(i); 我收到以下组合。 12、21 和 22。 我理解为什么我没有得到
我有以下称为 pgain 的方法,它调用我试图并行化的方法 dist: /***************************************************************
我有一个 ruby 脚本读取一个巨大的表(约 2000 万行),进行一些处理并将其提供给 Solr 用于索引目的。这一直是我们流程中的一大瓶颈。我打算在这里加快速度,我想实现某种并行性。我对 Ru
我正在研究 Golang 并遇到一个问题,我已经研究了几天,我似乎无法理解 go routines 的概念以及它们的使用方式。 基本上我是在尝试生成数百万条随机记录。我有生成随机数据的函数,并将创建一
我希望 for 循环使用 go 例程并行。我尝试使用 channel ,但没有用。我的主要问题是,我想在继续之前等待所有迭代完成。这就是为什么在它不起作用之前简单地编写 go 的原因。我尝试使用 ch
我正在使用 import Control.Concurrent.ParallelIO.Global main = parallel_ (map processI [1..(sdNumber runPa
我正在尝试通过 makePSOCKcluster 连接到另一台计算机: library(parallel) cl ... doTryCatch -> recvData -> makeSOCKm
我是一名优秀的程序员,十分优秀!