检查 RDD 中是否存在值

Question

我用 python 编写了一个运行正常的 Spark 程序。

但是，它在内存消耗方面效率低下，我正在尝试对其进行优化。我在 AWS EMR 上运行它，而 EMR 正在杀死消耗太多内存的工作。

 Lost executor 11 on ip-*****: Container killed by YARN for exceeding memory limits. 11.4 GB of 10.4 GB physical memory used. Consider boosting spark.yarn.executor.memoryOverhead.

我相信这个内存问题是由于我在多个实例中收集我的 RDD（即使用 .collect() ），因为在后期阶段，我需要测试由这些 RDD 组成的列表中是否存在某些值.

所以，目前我的代码是这样的：

myrdd = data.map(lambda word: (word,1))     \
       .reduceByKey(lambda a,b: a+b)   \
       .filter(lambda (a, b): b >= 5) \
       .map(lambda (a,b) : a)          \
       .collect()

稍后在代码中

if word in myrdd:
    mylist.append(word)

myrdd2 = data2.map(lambda word: (word,1))     \
       .reduceByKey(lambda a,b: a+b)   \
       .filter(lambda (a, b): b >= 5) \
       .map(lambda (a,b) : a)          \
       .collect()

if word in myrdd2:
    mylist2.append(word)

然后我多次重复这种模式。

有没有办法做手术

if word in myrdd: 
    do something

不先收集rdd？

有没有像 rdd.contains() 这样的函数？

PS：我没有在内存中缓存任何东西。我的 spark 上下文如下所示：

jobName = "wordcount"
sc = SparkContext(appName = jobName)

......
......

sc.stop()

Answer 1

来自 YARN 的错误消息说这collect不是问题，因为您的执行程序（而不是驱动程序）存在内存问题。

首先，尝试遵循错误消息建议并提升spark.yarn.executor.memoryOverhead- 在 YARN 上运行 pyspark 时，您可以告诉 YARN 为 Python 工作进程内存分配更大的容器。

接下来，查看执行器需要大量内存的操作。您使用reduceByKey，也许您可​​以增加分区数量，使它们在使用的内存方面更小。查看numPartitions参数：http : //spark.apache.org/docs/latest/api/python/pyspark.html#pyspark.RDD.reduceByKey

最后，如果您想检查 rdd 是否包含某个值，则只需按此值过滤并使用countor检查它first，例如：

looking_for = "....."
contains = rdd.filter(lambda a: a == looking_for).count() > 0