处理Spark中的大型gzip压缩文件

Question

我有一个来自s3的大型(大约85 GB压缩)gzip压缩文件,我正在尝试使用AWS EMR上的Spark处理(现在有一个m4.xlarge主实例和两个m4.10xlarge核心实例,每个实例都有一个100 GB的EBS卷) .我知道gzip是一种不可拆分的文件格式,我 看到 它 建议应该重新分区压缩文件,因为Spark最初给出了一个带有一个分区的RDD.但是,做完之后

scala> val raw = spark.read.format("com.databricks.spark.csv").
     | options(Map("delimiter" -> "\\t", "codec" -> "org.apache.hadoop.io.compress.GzipCodec")).
     | load("s3://path/to/file.gz").
     | repartition(sc.defaultParallelism * 3)
raw: org.apache.spark.sql.Dataset[org.apache.spark.sql.Row] = [_c0: string, _c1: string ... 48 more fields
scala> raw.count()

并且看一下Spark应用程序UI,我仍然看到只有一个活动执行程序(其他14个已经死了)有一个任务,并且作业永远不会完成(或者至少我没有等待足够长的时间).

• 这里发生了什么？有人可以帮我理解Spark在这个例子中是如何工作的吗？
• 我应该使用不同的群集配置吗？
• 不幸的是,我无法控制压缩模式,但有没有其他方法来处理这样的文件？

Answer 1

如果文件格式不可拆分,则无法避免在一个核心上完整地读取文件.为了并行化工作,您必须知道如何将工作块分配给不同的计算机.在gzip的情况下,假设您将其分成128M块.第n个块依赖于第n-1个块的位置信息来知道如何解压缩,这取决于n-2-nd块,依此类推到第一个块.

如果要并行化,则需要使此文件可拆分.一种方法是解压缩并解压缩它,或者你可以解压缩它,将它拆分成几个文件(每个并行任务一个文件),然后gzip每个文件.

Answer 2

Spark 无法并行读取单个 gzip 文件。

最好的方法是将其分割成 gzip 压缩的块。

然而，Spark 读取 gzip 文件的速度确实很慢。您可以这样做来加快速度：

file_names_rdd = sc.parallelize(list_of_files, 100)
lines_rdd = file_names_rdd.flatMap(lambda _: gzip.open(_).readlines())

阅读 Python 的速度是阅读原生 Spark gzip 阅读器的两倍。