google-cloud-storage - PySpark + 谷歌云存储(wholeTextFiles)

Question

我正在尝试使用 PySpark (Google Dataproc) 解析大约 100 万个 HTML 文件，并将相关字段写入压缩文件。每个 HTML 文件大约 200KB。因此，所有数据约为 200GB。

如果我使用数据的一个子集，下面的代码工作正常，但运行数小时然后在整个数据集上运行时崩溃。此外，未使用工作节点(<5% CPU)，所以我知道存在一些问题。

我认为系统在从 GCS 摄取数据时出现问题。有一个更好的方法吗？另外，当我以这种方式使用 wholeTextFiles 时，主人是否会尝试下载所有文件然后将它们发送给执行者，还是让执行者下载它们？

def my_func(keyval):
   keyval = (file_name, file_str)
   return parser(file_str).__dict__

data = sc.wholeTextFiles("gs://data/*")
output = data.map(my_func)
output.saveAsTextFile("gs://results/a")

Answer 1

为了回答你的问题，master 不会读取所有包含的数据，但它会在开始工作之前获取所有输入文件的状态。默认情况下，Dataproc 将属性“mapreduce.input.fileinputformat.list-status.num-threads”设置为 20 以帮助缩短此查找时间，但在 GCS 中仍会针对每个文件执行 RPC。

您似乎发现了这样一种情况，即使添加线程也无济于事，只会导致驱动程序更快地出现 OOM。

关于如何并行读取，我有两个想法。

但首先，有一点警告:这些解决方案都不是非常稳健的目录被包含在 glob 中。您可能希望防止目录出现在要读取的文件列表中。

第一个是使用 python 和 hadoop 命令行工具完成的(这也可以使用 gsutil 完成)。下面是一个示例，它可能看起来如何并在工作人员上执行文件列表，将文件内容成对读取并最终计算(文件名，文件长度)对:

from __future__ import print_function

from pyspark.rdd import RDD
from pyspark import SparkContext

import sys
import subprocess


def hadoop_ls(file_glob):
  lines = subprocess.check_output(["/usr/bin/hadoop", "fs", "-ls", file_glob]).split("\n")
  files = [line.split()[7] for line in lines if len(line) > 0]
  return files

def hadoop_cat(file):
  return subprocess.check_output(["/usr/bin/hadoop", "fs", "-cat", file]).decode("utf-8")

if __name__ == "__main__":
  if len(sys.argv) < 2:
    print("Provide a list of path globs to read.")
    exit(-1)

  sc = SparkContext()
  # This is just for testing. You'll want to generate a list 
  # of prefix globs instead of having a list passed in from the 
  # command line.
  globs = sys.argv[1:]
  # Desired listing partition count
  lpc = 100
  # Desired 'cat' partition count, should be less than total number of files
  cpc = 1000
  files = sc.parallelize(globs).repartition(lpc).flatMap(hadoop_ls)
  files_and_content = files.repartition(cpc).map(lambda f: [f, hadoop_cat(f)])
  files_and_char_count = files_and_content.map(lambda p: [p[0], len(p[1])])
  local = files_and_char_count.collect()
  for pair in local:
    print("File {} had {} chars".format(pair[0], pair[1]))

我会首先从这个子流程解决方案开始，尝试 hadoop_ls 和 hadoop_cat 调用的分区，看看您是否能得到可接受的东西。

第二个解决方案更复杂，但可能会通过避免很多很多 exec 调用而产生性能更高的管道。

在第二个解决方案中，我们将编译一个特殊用途的帮助程序 jar，使用初始化操作将该 jar 复制到所有工作人员，最后使用驱动程序中的帮助程序。

我们的 scala jar 项目的最终目录结构将如下所示:

helper/src/main/scala/com/google/cloud/dataproc/support/PysparkHelper.scala
helper/build.sbt

在我们的 PysparkHelper.scala 文件中，我们将有一个小的 Scala 类，其功能与上面的纯 Python 解决方案非常相似。首先，我们将创建文件 glob 的 RDD，然后是文件名的 RDD，最后是文件名和文件内容对的 RDD。

package com.google.cloud.dataproc.support

import collection.JavaConversions._

import org.apache.commons.io.IOUtils
import org.apache.hadoop.conf.Configuration
import org.apache.hadoop.fs.{FileSystem, Path}
import org.apache.spark.api.java.{JavaPairRDD, JavaSparkContext}

import java.util.ArrayList
import java.nio.charset.StandardCharsets

class PysparkHelper extends Serializable {
  def wholeTextFiles(
    context: JavaSparkContext,
    paths: ArrayList[String],
    partitions: Int): JavaPairRDD[String, String] = {

    val globRDD = context.sc.parallelize(paths).repartition(partitions)
    // map globs to file names:
    val filenameRDD = globRDD.flatMap(glob => {
      val path = new Path(glob)
      val fs: FileSystem = path.getFileSystem(new Configuration)
      val statuses = fs.globStatus(path)
      statuses.map(s => s.getPath.toString)
    })
    // Map file name to (name, content) pairs:
    // TODO: Consider adding a second parititon count parameter to repartition before
    // the below map.
    val fileNameContentRDD = filenameRDD.map(f => {
      Pair(f, readPath(f, new Configuration))
    })

    new JavaPairRDD(fileNameContentRDD)
  }

  def readPath(file: String, conf: Configuration) = {
    val path = new Path(file)
    val fs: FileSystem = path.getFileSystem(conf)
    val stream = fs.open(path)
    try {
      IOUtils.toString(stream, StandardCharsets.UTF_8)
    } finally {
      stream.close()
    }
  }
}

helper/build.sbt 文件看起来像这样:

organization := "com.google.cloud.dataproc.support"
name := "pyspark_support"
version := "0.1"
scalaVersion := "2.10.5"
libraryDependencies +=  "org.apache.spark" % "spark-core_2.10" % "1.6.0" % "provided"
libraryDependencies +=  "org.apache.hadoop" % "hadoop-common" % "2.7.1" % "provided"
exportJars := true

然后我们可以用 sbt 构建助手:

$ cd helper && sbt package

输出助手 jar 应该是 target/scala-2.10/pyspark_support_2.10-0.1.jar

我们现在需要将这个 jar 放到我们的集群上，为此，我们需要做两件事:1) 将 jar 上传到 GCS 和 2) 在 GCS 中创建一个初始化操作以将 jar 复制到集群节点。

为了便于说明，我们假设您的存储桶名为 MY_BUCKET(在此处插入适当的海象相关模因)。

$ gsutil cp target/scala-2.10/pyspark_support_2.10-0.1.jar gs://MY_BUCKET/pyspark_support.jar

创建一个初始化操作(我们称它为 pyspark_init_action.sh，根据需要替换 MY_BUCKET):

#!/bin/bash

gsutil cp gs://MY_BUCKET/pyspark_support.jar /usr/lib/hadoop/lib/

最后将初始化 Action 上传到GCS:

$ gsutil cp pyspark_init_action.sh gs://MY_BUCKET/pyspark_init_action.sh

现在可以通过将以下标志传递给 gcloud 来启动集群:

--initialization-actions gs://MY_BUCKET/pyspark_init_action.sh

在构建、上传和安装我们的新库之后，我们最终可以从 pyspark 使用它:

from __future__ import print_function

from pyspark.rdd import RDD
from pyspark import SparkContext
from pyspark.serializers import PairDeserializer, UTF8Deserializer

import sys

class DataprocUtils(object):

  @staticmethod
  def wholeTextFiles(sc, glob_list, partitions):
    """
    Read whole text file content from GCS.
    :param sc: Spark context
    :param glob_list: List of globs, each glob should be a prefix for part of the dataset.
    :param partitions: number of partitions to use when creating the RDD
    :return: RDD of filename, filecontent pairs.
    """
    helper = sc._jvm.com.google.cloud.dataproc.support.PysparkHelper()
    return RDD(helper.wholeTextFiles(sc._jsc, glob_list, partitions), sc,
               PairDeserializer(UTF8Deserializer(), UTF8Deserializer()))

if __name__ == "__main__":
  if len(sys.argv) < 2:
    print("Provide a list of path globs to read.")
    exit(-1)

  sc = SparkContext()
  globs = sys.argv[1:]
  partitions = 10
  files_and_content = DataprocUtils.wholeTextFiles(sc, globs, partitions)
  files_and_char_count = files_and_content.map(lambda p: (p[0], len(p[1])))
  local = files_and_char_count.collect()
  for pair in local:
    print("File {} had {} chars".format(pair[0], pair[1]))