Spark - 减少操作时间过长

Spark - Reduce operation taking too long

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!

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.containsterms.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wordsterms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