python - Spark 在非常小的数据集上运行非常慢

Question

以下简单的 spark 程序运行需要 4 分钟。我不知道这段代码有什么问题。

首先，我生成一个非常小的 rdd

D = spark.sparkContext.parallelize([(0,[1,2,3]),(1,[2,3]),(2,[0,3]),(3,[1])]).cache()

然后我生成一个向量

P1 = spark.sparkContext.parallelize(list(zip(list(range(4)),[1/4]*4))).cache()

然后我定义了一个函数来执行map步骤

def MyFun(x):
    L0 = len(x[2])
    L = []
    for i in x[2]:
         L.append((i,x[1]/L0))
    return L

然后我执行下面的代码

P0 = P1
D0 = D.join(P1).map(lambda x: [x[0],x[1][1],x[1][0]]).cache()
C0 = D0.flatMap(lambda x: MyFun(x)).cache()
P1 = C0.reduceByKey(lambda x,y:x+y).mapValues(lambda x:x*1.2+3.4).sortByKey().cache()
Diff = P1.join(P0).map(lambda x: abs(x[1][0]-x[1][1])).sum()

鉴于我的数据很小，我无法找出这段代码运行如此缓慢的原因......

Answer 1

我有一些建议可以帮助您加快这项工作。

只在需要时缓存

缓存的过程就是把你创建的dag写到磁盘上。因此，缓存每个步骤可能会花费很多而不是加快过程。

我建议您只缓存 P1。

使用 DataFrames 让 Spark 助您一臂之力

之后，我强烈建议你使用DataFrame api，Spark 可以为你做一些优化，比如下推谓词优化。

最后但并非最不重要的一点是，使用自定义函数的成本也很高。如果您使用的是 DataFrames，请尝试仅使用 org.apache.spark.sql.functions 模块中的现有函数。

使用 Spark UI 分析代码

我还建议通过 Spark UI 分析您的代码，因为这可能不是您的代码的问题，因为您的数据很小，而是节点的问题。