Искра: Лучшая практика для извлечения больших данных из RDD на локальную машину

Ответ 1

Обновление: RDD.toLocalIterator метод, появившийся после того, как был написан оригинальный ответ, является более эффективным способом выполнения задания. Он использует runJob для оценки только одного раздела на каждом шаге.

TL; DR И исходный ответ может дать приблизительное представление о том, как это работает:

Прежде всего, получите массив индексов раздела:

val parts = rdd.partitions

Затем создайте меньшие rdds, отфильтровывая все, кроме одного раздела. Собирайте данные из меньших rdds и перебирайте значения одного раздела:

for (p <- parts) {
    val idx = p.index
    val partRdd = rdd.mapPartitionsWithIndex(a => if (a._1 == idx) a._2 else Iterator(), true)
    //The second argument is true to avoid rdd reshuffling
    val data = partRdd.collect //data contains all values from a single partition 
                               //in the form of array
    //Now you can do with the data whatever you want: iterate, save to a file, etc.
}

Я не пробовал этот код, но он должен работать. Пожалуйста, напишите комментарий, если он не будет компилироваться. Из-за этого он будет работать только в том случае, если разделы достаточно малы. Если это не так, вы всегда можете увеличить количество разделов с помощью rdd.coalesce(numParts, true).

Ответ 2

Ответ на Wildfire кажется семантически правильным, но я уверен, что вы должны быть намного эффективнее, используя API Spark. Если вы хотите обработать каждый раздел по очереди, я не понимаю, почему вы не можете использовать операции map/filter/reduce/reduceByKey/mapPartitions. Единственный раз, когда вы хотите иметь все в одном месте в одном массиве, - это когда вы собираетесь выполнять немоноидальную операцию, но это не похоже на то, что вы хотите. Вы должны иметь возможность сделать что-то вроде:

rdd.mapPartitions(recordsIterator => your code that processes a single chunk)

Или это

rdd.foreachPartition(partition => {
  partition.toArray
  // Your code
})

Ответ 3

Вот такой же подход, как предложил @Wildlife, но написанный в pyspark.

Самое приятное в этом подходе - это позволяет пользователям получать записи в RDD по порядку. Я использую этот код для подачи данных из RDD в STDIN процесса машинного обучения.

rdd = sc.parallelize(range(100), 10)
def make_part_filter(index):
    def part_filter(split_index, iterator):
        if split_index == index:
            for el in iterator:
                yield el
    return part_filter

for part_id in range(rdd.getNumPartitions()):
    part_rdd = rdd.mapPartitionsWithIndex(make_part_filter(part_id), True)
    data_from_part_rdd = part_rdd.collect()
    print "partition id: %s elements: %s" % (part_id, data_from_part_rdd)

Производит вывод:

partition id: 0 elements: [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
partition id: 1 elements: [10, 11, 12, 13, 14, 15, 16, 17, 18, 19]
partition id: 2 elements: [20, 21, 22, 23, 24, 25, 26, 27, 28, 29]
partition id: 3 elements: [30, 31, 32, 33, 34, 35, 36, 37, 38, 39]
partition id: 4 elements: [40, 41, 42, 43, 44, 45, 46, 47, 48, 49]
partition id: 5 elements: [50, 51, 52, 53, 54, 55, 56, 57, 58, 59]
partition id: 6 elements: [60, 61, 62, 63, 64, 65, 66, 67, 68, 69]
partition id: 7 elements: [70, 71, 72, 73, 74, 75, 76, 77, 78, 79]
partition id: 8 elements: [80, 81, 82, 83, 84, 85, 86, 87, 88, 89]
partition id: 9 elements: [90, 91, 92, 93, 94, 95, 96, 97, 98, 99]

Ответ 4

Карта/фильтр/уменьшить с помощью Spark и загрузить результаты позже? Я думаю, что обычный подход Hadoop будет работать.

Api говорит, что есть map-filter - saveAsFile команды: https://spark.incubator.apache.org/docs/0.8.1/scala-programming-guide.html#transformations

Ответ 5

Для Spark 1.3.1 формат выглядит следующим образом

val parts = rdd.partitions
    for (p <- parts) {
        val idx = p.index
        val partRdd = data.mapPartitionsWithIndex { 
           case(index:Int,value:Iterator[(String,String,Float)]) => 
             if (index == idx) value else Iterator()}
        val dataPartitioned = partRdd.collect 
        //Apply further processing on data                      
    }

Ответ 6

pyspark dataframe с помощью RDD.toLocalIterator():

separator  = '|'
df_results = hiveCtx.sql(sql)
columns    = df_results.columns
print separator.join(columns)

# Use toLocalIterator() rather than collect(), as this avoids pulling all of the
# data to the driver at one time.  Rather, "the iterator will consume as much memory
# as the largest partition in this RDD."
MAX_BUFFERED_ROW_COUNT = 10000
row_count              = 0
output                 = cStringIO.StringIO()
for record in df_results.rdd.toLocalIterator():
    d = record.asDict()
    output.write(separator.join([str(d[c]) for c in columns]) + '\n')
    row_count += 1
    if row_count % MAX_BUFFERED_ROW_COUNT== 0:
        print output.getvalue().rstrip()
        # it is faster to create a new StringIO rather than clear the existing one
        # http://stackoverflow.com/info/4330812/how-do-i-clear-a-stringio-object
        output = cStringIO.StringIO()
if row_count % MAX_BUFFERED_ROW_COUNT:
    print output.getvalue().rstrip()