Spark - 减少操作时间过长

Question

我正在使用 Spark 制作一个应用程序，它将运行一些主题提取算法。为此，首先我需要进行一些预处理，最后提取文档术语矩阵。我可以做到这一点，但是对于（不是那么多）大量文档（只有 2000，5MB），这个过程要花很长时间。

所以，调试，我发现程序有点卡住了，它在减少操作。我在这部分代码中所做的是计算每个术语在集合中出现的次数，所以首先我做了一个 "map"，为每个 rdd 计算它，然后我 "reduce" 它，将结果保存在哈希图中。 map操作非常快，但是在reduce中，它把操作分成40个块，每个块需要5~10分钟来处理。

所以我想弄清楚我做错了什么，或者 reduce 操作的成本是否那么高。

SparkConf：独立模式，使用local[2]。我试过将它用作 "spark://master:7077"，它起作用了，但仍然很慢。

代码：

"filesIn" 是一个 JavaPairRDD，其中键是文件路径，值是文件的内容。所以，首先是地图，我把这个"filesIn"，拆分单词，然后计算它们的频率（在这种情况下，什么文档并不重要）然后是 reduce，我在其中创建了一个 HashMap (term, freq).

JavaRDD<HashMap<String, Integer>> termDF_ = filesIn.map(new Function<Tuple2<String, String>, HashMap<String, Integer>>() {

        @Override
        public HashMap<String, Integer> call(Tuple2<String, String> t) throws Exception {
            String[] allWords = t._2.split(" ");

            HashMap<String, Double> hashTermFreq = new HashMap<String, Double>();
            ArrayList<String> words = new ArrayList<String>();
            ArrayList<String> terms = new ArrayList<String>();
            HashMap<String, Integer> termDF = new HashMap<String, Integer>();

            for (String term : allWords) {

                if (hashTermFreq.containsKey(term)) {
                    Double freq = hashTermFreq.get(term);
                    hashTermFreq.put(term, freq + 1);
                } else {
                    if (term.length() > 1) {
                        hashTermFreq.put(term, 1.0);
                        if (!terms.contains(term)) {
                            terms.add(term);
                        }
                        if (!words.contains(term)) {
                            words.add(term);
                            if (termDF.containsKey(term)) {
                                int value = termDF.get(term);
                                value++;
                                termDF.put(term, value);
                            } else {
                                termDF.put(term, 1);
                            }
                        }
                    }
                }
            }
            return termDF;
        }
    });

 HashMap<String, Integer> termDF = termDF_.reduce(new Function2<HashMap<String, Integer>, HashMap<String, Integer>, HashMap<String, Integer>>() {

        @Override
        public HashMap<String, Integer> call(HashMap<String, Integer> t1, HashMap<String, Integer> t2) throws Exception {
            HashMap<String, Integer> result = new HashMap<String, Integer>();

            Iterator iterator = t1.keySet().iterator();

            while (iterator.hasNext()) {
                String key = (String) iterator.next();
                if (result.containsKey(key) == false) {
                    result.put(key, t1.get(key));
                } else {
                    result.put(key, result.get(key) + 1);
                }

            }

            iterator = t2.keySet().iterator();

            while (iterator.hasNext()) {
                String key = (String) iterator.next();
                if (result.containsKey(key) == false) {
                    result.put(key, t2.get(key));
                } else {
                    result.put(key, result.get(key) + 1);
                }

            }

            return result;
        }
    });

谢谢！

Answer 1

好的，所以就在我的脑海里：

Spark 转换是惰性的。这意味着 map 在您调用后续 reduce 操作之前不会执行，因此您描述的慢速 reduce 很可能是慢速 map + reduce
ArrayList.contains 是 O(N) 所以所有这些 words.contains 和 terms.contains 都非常低效
map 逻辑有问题。特别是：
- 如果学期已经看过，你永远不会进入 else 分支
- 乍一看words和terms应该有完全相同的内容，应该等同于hashTermFreq键或termDF键。
- 看起来 termDF 中的值只能取值 1。如果这是您想要的并且您忽略了频率，那么创建 hashTermFreq 的意义何在？
reduce 阶段在此处实现意味着低效的线性扫描，对象在数据上不断增长，而您真正想要的是 reduceByKey。

使用 Scala 作为伪代码，您的整个代码可以有效地表达如下：

val termDF = filesIn.flatMap{
  case (_, text) => 
    text.split(" ") // Split
    .toSet // Take unique terms 
    .filter(_.size > 1) // Remove single characters
    .map(term => (term, 1))} // map to pairs
  .reduceByKey(_ + _) // Reduce by key

termDF.collectAsMap // Optionally

看来您终于要重新发明轮子了。至少您需要的一些工具已经在 mllib.feature or ml.feature

中实现

Spark - 减少操作时间过长

Spark - Reduce operation taking too long

mapreduce

apache-spark

text-mining

tf-idf