草庐IT

关于 pyspark：Spark Parquet Loader：减少列出数据框文件所涉及的作业数量

codeneng 2023-03-28 原文

Spark Parquet Loader: Reduce number of jobs involved in listing a dataframe's files

我正在通过

将 parquet 数据加载到数据框中

1
spark.read.parquet('hdfs:///path/goes/here/...')

由于 parquet 分区，该路径中有大约 50k 个文件。当我运行该命令时，spark 会生成数十个小作业，这些小作业总体上需要几分钟才能完成。以下是 spark UI 中作业的外观：

如您所见，虽然每个作业有大约 2100 个任务，但它们执行速度很快，大约 2 秒。启动这么多"迷你作业"效率低下，并导致此文件列出步骤大约需要 10 分钟(其中集群资源大部分处于空闲状态，并且集群主要处理散乱的任务或管理作业/任务的开销)。

如何将这些任务整合到更少的工作中，每个工作都有更多的任务？
也适用于 pyspark 的解决方案的奖励积分。

我正在通过 pyspark 在 hadoop 2.8.3 上运行 spark 2.2.1。

  • 我相信您遇到了一个错误，我的一位前同事为此提交了工单并打开了拉取请求(仍然没有反馈)。你可以在这里查看：issues.apache.org/jira/browse/SPARK-21056 如果它适合你的问题，你最好的选择可能是投票赞成这个问题，并在邮件列表上引起一些噪音。 :)
  • 你的转换是否包括任何洗牌。如果洗牌默认涉及 spark.sql.shuffle.partitions 是 200。这就是为什么你会看到每个作业有那么多任务
  • 我可以举个例子说明你正在做什么转换
  • @saipradeepkumarkotha：无论我执行什么后续转换，都会出现这个问题。这是 spark 急切地执行工作的特殊情况之一——这些工作甚至在我对 DAG 执行任何操作之前就已经运行。
  • @stefanobaghino：我想你已经解释了发生了什么。看起来 bbossys 的讨论表明调整 spark.sql.sources.parallelPartitionDiscovery.threshold 参数可能会有所帮助。如果您写下调整该参数如何解决问题，我会接受您的答案作为解决方案(您将获得赏金)。
  • 目前正在编辑我的答案。
  • 好的，应该完成了。

我相信您遇到了一个错误，我的一位前同事已为此提交了票证并打开了拉取请求。你可以在这里查看。如果它适合您的问题，那么您最好的选择可能是对问题进行投票并在邮件列表中对此发表一些意见。

您可能想要做的是以适合您工作的方式调整 spark.sql.sources.parallelPartitionDiscovery.threshold 和 spark.sql.sources.parallelPartitionDiscovery.parallelism 配置参数(在链接的票证中引用了前者)。

您可以在此处和此处查看配置密钥的使用方式。为了完整起见，我将在这里分享相关的片段。

spark.sql.sources.parallelPartitionDiscovery.threshold

1
2
3
4
5
6
// Short-circuits parallel listing when serial listing is likely to be faster.
if (paths.size <= sparkSession.sessionState.conf.parallelPartitionDiscoveryThreshold) {
  return paths.map { path =>
    (path, listLeafFiles(path, hadoopConf, filter, Some(sparkSession)))
  }
}

spark.sql.sources.parallelPartitionDiscovery.parallelism

1
2
3
// Set the number of parallelism to prevent following file listing from generating many tasks
// in case of large #defaultParallelism.
val numParallelism = Math.min(paths.size, parallelPartitionDiscoveryParallelism)

此配置的默认值是 32 为阈值，10000 为并行度(相关代码在这里)。

在您的情况下，我会说您可能想要做的是设置阈值，以便进程在不产生并行作业的情况下运行。

笔记

链接的来源来自撰写本文时可用的最新标记版本 2.3.0。

  • 感谢您的精彩回答！我赞成这个问题，并希望其他人也会。
  • 我试过你的建议。将阈值修改为更高会导致驱动程序长时间执行阻塞-也许然后spark会尝试仅发现驱动程序上的所有文件？我玩 spark.sql.sources.parallelPartitionDiscovery.parallelism 的运气更好。奇怪的是，当我将其设置为 250 时，它会产生很多工作(~50)，当我将其设置为 1000 时，它会产生很多工作(再次~50)，但是当我将其设置为 500 时，它使用的工作更少( ?一打)并更快地完成。

相对于对象存储，即使列出和调用 getFileStatus 也非常昂贵，并且由于这是在分区期间完成的，因此可以大大扩展工作。

与 mapreduce.input.fileinputformat.list-status.num-threads 一起玩，看看添加更多线程是否会加快速度，比如 20-30

  • 我尝试将该参数设置为 25，但没有帮助。我觉得奇怪的一件事是，这些工作中的每一个都有大约 2100 个任务。知道这个数字来自哪里，以及如何增加每个工作的任务数量以减少工作吗？
  • 每个文件至少有一个任务，如果数据可以分区，则更多

pysparkParquetsectionsparkwynapache-spark

有关关于 pyspark：Spark Parquet Loader：减少列出数据框文件所涉及的作业数量的更多相关文章

  1. ruby - 使用 RubyZip 生成 ZIP 文件时设置压缩级别 - 2

    我有一个Ruby程序，它使用rubyzip压缩XML文件的目录树。gem。我的问题是文件开始变得很重，我想提高压缩级别，因为压缩时间不是问题。我在rubyzipdocumentation中找不到一种为创建的ZIP文件指定压缩级别的方法。有人知道如何更改此设置吗？是否有另一个允许指定压缩级别的Ruby库？ 最佳答案 这是我通过查看ruby​​zip内部创建的代码。level=Zlib::BEST_COMPRESSIONZip::ZipOutputStream.open(zip_file)do|zip|Dir.glob("**/*")d

  2. ruby - 其他文件中的 Rake 任务 - 2

    我试图在一个项目中使用rake，如果我把所有东西都放到Rakefile中，它会很大并且很难读取/找到东西，所以我试着将每个命名空间放在lib/rake中它自己的文件中，我添加了这个到我的rake文件的顶部:Dir['#{File.dirname(__FILE__)}/lib/rake/*.rake'].map{|f|requiref}它加载文件没问题，但没有任务。我现在只有一个.rake文件作为测试，名为“servers.rake”，它看起来像这样:namespace:serverdotask:testdoputs"test"endend所以当我运行rakeserver:testid时

  3. ruby-on-rails - 在 Rails 中将文件大小字符串转换为等效千字节 - 2

    我的目标是转换表单输入，例如“100兆字节”或“1GB”，并将其转换为我可以存储在数据库中的文件大小(以千字节为单位)。目前，我有这个:defquota_convert@regex=/([0-9]+)(.*)s/@sizes=%w{kilobytemegabytegigabyte}m=self.quota.match(@regex)if@sizes.include?m[2]eval("self.quota=#{m[1]}.#{m[2]}")endend这有效，但前提是输入是倍数(“gigabytes”，而不是“gigabyte”)并且由于使用了eval看起来疯狂不安全。所以，功能正常，

  4. ruby-on-rails - Rails 3 中的多个路由文件 - 2

    Rails2.3可以选择随时使用RouteSet#add_configuration_file添加更多路由。是否可以在Rails3项目中做同样的事情？ 最佳答案 在config/application.rb中:config.paths.config.routes在Rails3.2(也可能是Rails3.1)中，使用:config.paths["config/routes"] 关于ruby-on-rails-Rails3中的多个路由文件，我们在StackOverflow上找到一个类似的问题

  5. ruby - 将差异补丁应用于字符串/文件 - 2

    对于具有离线功能的智能手机应用程序，我正在为Xml文件创建单向文本同步。我希望我的服务器将增量/差异(例如GNU差异补丁)发送到目标设备。这是计划:Time=0Server:hasversion_1ofXmlfile(~800kiB)Client:hasversion_1ofXmlfile(~800kiB)Time=1Server:hasversion_1andversion_2ofXmlfile(each~800kiB)computesdeltaoftheseversions(=patch)(~10kiB)sendspatchtoClient(~10kiBtransferred)Cl

  6. ruby - 如何将脚本文件的末尾读取为数据文件(Perl 或任何其他语言) - 2

    我正在寻找执行以下操作的正确语法(在Perl、Shell或Ruby中):#variabletoaccessthedatalinesappendedasafileEND_OF_SCRIPT_MARKERrawdatastartshereanditcontinues. 最佳答案 Perl用__DATA__做这个:#!/usr/bin/perlusestrict;usewarnings;while(){print;}__DATA__Texttoprintgoeshere 关于ruby-如何将脚

  7. ruby - 解析 RDFa、微数据等的最佳方式是什么，使用统一的模式/词汇(例如 schema.org)存储和显示信息 - 2

    我主要使用Ruby来执行此操作，但到目前为止我的攻击计划如下:使用gemsrdf、rdf-rdfa和rdf-microdata或mida来解析给定任何URI的数据。我认为最好映射到像schema.org这样的统一模式，例如使用这个yaml文件，它试图描述数据词汇表和opengraph到schema.org之间的转换:#SchemaXtoschema.orgconversion#data-vocabularyDV:name:namestreet-address:streetAddressregion:addressRegionlocality:addressLocalityphoto:i

  8. ruby - 使用 Vim Rails，您可以创建一个新的迁移文件并一次性打开它吗？ - 2

    使用带有Rails插件的vim，您可以创建一个迁移文件，然后一次性打开该文件吗？textmate也可以这样吗？ 最佳答案 你可以使用rails.vim然后做类似的事情::Rgeneratemigratonadd_foo_to_bar插件将打开迁移生成的文件，这正是您想要的。我不能代表textmate。 关于ruby-使用VimRails，您可以创建一个新的迁移文件并一次性打开它吗？，我们在StackOverflow上找到一个类似的问题： https://sta

  9. Ruby 写入和读取对象到文件 - 2

    好的，所以我的目标是轻松地将一些数据保存到磁盘以备后用。您如何简单地写入然后读取一个对象？所以如果我有一个简单的类classCattr_accessor:a,:bdefinitialize(a,b)@a,@b=a,bendend所以如果我从中非常快地制作一个objobj=C.new("foo","bar")#justgaveitsomerandomvalues然后我可以把它变成一个kindaidstring=obj.to_s#whichreturns""我终于可以将此字符串打印到文件或其他内容中。我的问题是，我该如何再次将这个id变回一个对象？我知道我可以自己挑选信息并制作一个接受该信

  10. ruby - 如何使用 Ruby aws/s3 Gem 生成安全 URL 以从 s3 下载文件 - 2

    我正在编写一个小脚本来定位aws存储桶中的特定文件，并创建一个临时验证的url以发送给同事。(理想情况下，这将创建类似于在控制台上右键单击存储桶中的文件并复制链接地址的结果)。我研究过回形针，它似乎不符合这个标准，但我可能只是不知道它的全部功能。我尝试了以下方法:defauthenticated_url(file_name,bucket)AWS::S3::S3Object.url_for(file_name,bucket,:secure=>true,:expires=>20*60)end产生这种类型的结果:...-1.amazonaws.com/file_path/file.zip.A

随机推荐