如何解决:火花中非常大的任务

Question

在这里,我粘贴了我在spark上运行的python代码,以便对数据进行一些分析.我可以在少量数据集上运行以下程序.但是当进入大型数据集时,它说"第1阶段包含一个非常大的任务(17693 KB).最大建议任务大小为100 KB".

import os
import sys
import unicodedata
from operator import add

try:
    from pyspark import SparkConf
    from pyspark import SparkContext
except ImportError as e:
    print ("Error importing Spark Modules", e)
    sys.exit(1)

def tokenize(text):
    resultDict = {}
    text = unicodedata.normalize('NFKD', text).encode('ascii','ignore')

    str1= text[1]
    str2= text[0]

    arrText= text.split(str1)

    ss1 = arrText[0].split("/")

    docID = ss1[0].strip()

    docName = ss[1].strip()

    resultDict[docID+"_"+docName] = 1

    return resultDict.iteritems()

sc=SparkContext('local')
textfile = sc.textFile("path to my data")
fileContent = textfile.flatMap(tokenize)
rdd = sc.parallelize(fileContent.collect())
rdd= rdd.map(lambda x: (x[0], x[1])).reduceByKey(add)
print rdd.collect()
#reduceByKey(lambda a,b: a+b)
rdd.coalesce(1).saveAsTextFile("path to result")

在这里,我发布了一点警告:此后工作没有运行.有人可以帮我弄这个吗.

16/06/10 19:19:58 WARN TaskSetManager: Stage 1 contains a task of very large size (17693 KB). The maximum recommended task size is 100 KB.
16/06/10 19:19:58 INFO TaskSetManager: Starting task 0.0 in stage 1.0 (TID 5314, localhost, partition 0,PROCESS_LOCAL, 18118332 bytes)
16/06/10 19:19:58 INFO Executor: Running task 0.0 in stage 1.0 (TID 5314)
16/06/10 19:43:00 INFO BlockManagerInfo: Removed broadcast_1_piece0 on localhost:43480 in memory (size: 3.9 KB, free: 511.1 MB)
16/06/10 19:43:00 INFO ContextCleaner: Cleaned accumulator 2

Answer 1

当 Spark 序列化任务时，它会递归地序列化完整的闭包上下文。在这种情况下，逻辑罪魁祸首似乎是unicodedata您在 中使用的tokenize。我可能是错的，但我在代码中没有看到任何其他重型数据结构。（注意，我通常将 Spark 与 Scala 一起使用，而我的 Python 很生疏。）我想知道该库是否由执行器节点上不可用的繁重数据结构支持。

处理此类问题的典型模式是：

1. 确保所有库在执行器节点上可用。

2. 使用广播变量将繁重的数据结构分发给执行器。

无关，除非您将其用作调试工具，否则您将使用collect. 转换可以链式进行：

sc.textFile(...).flatMap(...).map(...).reduceByKey(add).coalesce(1).saveAsTextFile(...)