pyspark - 在数据 block 上提取 tar.gz

Question

我正在尝试在我们的数据 block 环境中提取大约 5 gig(内容大约 35)的 tar.gz。我试图用以下方法提取它:

tar = tarfile.open(blob_storage_location', 'r:gz')
tar.extractall()
tar.close()

也将其复制到我们的数据 block 环境中，然后进行尝试。

还试过:

%sh
tar xvzf $(find /dbfs/tmp/ -name '*.tar.gz' -print ) -C /dbfs/tmp/

和:

shutil.unpack_archive(path, path, gz)

他们都开始然后一直挂着。只有当我使用我们最大的默认集群时它才有效，但我觉得它也应该适用于较小的集群(因为它适用于我的笔记本电脑)。

差异集群:

• 集群 1
  • worker 类型:
    • 14.0 GB 内存，4 核，0.75 DBU Standard_DS3_v2
    • 最少 worker 2 最多 worker 8
• 第 2 组
  • worker 类型:
    • 28.0 GB 内存，4 核，1 DBU Standard_DS3_v2
    • worker 8

任何让它在较小的机器上运行的建议都将不胜感激。

编辑:我又找回了这个问题，找到了答案。您可以为此创建一个只有一个节点的自定义集群。然后它将正常工作。

Answer 1

当您使用 %sh 或任何 Python 库时，您有多少工作人员并不重要 - 工作仅在驱动程序节点上完成。我怀疑问题是您有很多文件，将数据解包到 DBFS 可能是一个瓶颈。

我会建议先尝试将数据解压到本地磁盘，然后将解压后的文件移动到 DBFS。

tar xvzf /dbfs/..../file.tar.gz -C /tmp/unpacked

然后移动:

dbutils.fs.mv("file:/tmp/unpacked", "dbfs:/tmp/", True)