我如何在pyspark应用程序中维护临时字典？

Question

我想在pyspark应用程序中使用预训练嵌入模型(fasttext).

因此,如果我广播文件(.bin),则抛出以下异常:Traceback(最近一次调用last):

cPickle.PicklingError: Could not serialize broadcast: OverflowError: cannot serialize a string larger than 2 GiB

相反,我试图用sc.addFile(modelpath)其中modelpath=path/to/model.bin如下:

我创建了一个名为fasttextSpark.py的文件

import gensim
from gensim.models.fasttext import FastText as FT_gensim
# Load model (loads when this library is being imported)
model = FT_gensim.load_fasttext_format("/project/6008168/bib/wiki.en.bin")

# This is the function we use in UDF to predict the language of a given msg
def get_vector(msg):
    pred = model[msg]
    return pred

和testSubmit.sh:

#!/bin/bash
#SBATCH -N 2
#SBATCH -t 00:10:00
#SBATCH --mem 20000
#SBATCH --ntasks-per-node 1
#SBATCH --cpus-per-task 32
module load python/2.7.14
source "/project/6008168/bib/ENV2.7.14/bin/activate"
module load spark/2.3.0
spark-submit /project/6008168/bib/test.py

和test.py:

from __future__ import print_function
import sys
import time
import math
import csv
import datetime
import StringIO
import pyspark
import gensim
from operator import add
from pyspark.sql import *
from pyspark.sql import SparkSession
from pyspark import SparkContext, SparkConf
from gensim.models.fasttext import FastText as FT_gensim
appName = "bib"
modelpath = "/project/6008168/bib/wiki.en.bin"
conf = (SparkConf()
         .setAppName(appName)
         .set("spark.executor.memory", "12G")
         .set("spark.network.timeout", "800s")
         .set("spark.executor.heartbeatInterval", "20s")
         .set("spark.driver.maxResultSize", "12g")
         .set("spark.executor.instances", 2)
         .set("spark.executor.cores", 30)
         )
sc = SparkContext(conf = conf)
#model = FT_gensim.load_fasttext_format(modelpath)
sc.addFile(modelpath)
sc.addPyFile("/project/6008168/bib/fasttextSpark.py")

# Import our custom fastText language classifier lib
import fasttextSpark
print ("nights = ", fasttextSpark.get_vector("nights"))
print ("done")

现在,每个节点都将拥有预训练数据集的副本.有些单词不在词汇表中,所以每当我面对这样的单词时,我想为它创建一个随机但固定的向量,并将单词及其向量添加到字典中.

那么,我如何在每个节点中维护这样一个字典呢？

实际上,假设我的rdd跟随my_rdd =(id,sentence),我想通过总结其单词的向量来找到句子的嵌入向量.嵌入模型的加载次数.例如:

假设rdd=("id1", "motorcycle parts"),我的实施是否两次加载模型:一个用于摩托车,一个用于零件？如果是的话,我的方法是无效的？在这种情况下应该采用哪种最佳方法？

Answer 1

Python 中的模块变量在模块加载时计算一次。因此，每个解释器都会加载该变量一次，并且只要解释器​​保持活动状态，该变量就保持活动状态。

然而 Spark 工作进程不共享内存，因此每个工作进程都会有一份字典副本。如果您有广播变量，情况也是如此。

因此，您当前的解决方案尽可能接近您想要的解决方案，而无需使用低级原语（如内存映射）或外部存储。