Python 理解Spark执行中的DAG

我想在Spark中运行代码时更好地理解DAG的执行。我知道Spark是惰性的，当我们执行任何操作（如计数、显示、缓存）时，它都会运行转换命令

然而，我想知道在DAG中执行这些操作需要多长时间

就像我在预测数据框上写以下命令一样

sorted_predictions=predictions.orderBy(['user','prediction'],ascending=[1,0])

def mapIdToString(x):
    """ This function takes in the predicted dataframe and adds the original Item string to it

    """

global data_map_var
d_map=data_map_var.value
data_row= x.asDict()
#print data_row

for name, itemID in d_map.items():
    if data_row['item']== itemID:
        return (data_row['user'],data_row['item'],name,data_row['rating'],data_row['prediction'])


sorted_rdd=sorted_predictions.map(mapIdToString)
In [20]:

sorted_rdd.take(5)
Out[20]:
[(353, 21, u'DLR_Where Dreams Come True Town Hall', 0, 0.896152913570404),
 (353, 2, u'DLR_Leading at a Higher Level', 1, 0.7186800241470337),
 (353,
  220,
  u'DLR_The Year of a Million Dreams Leadership Update',
  0,
  0.687175452709198),
 (353, 1, u'DLR_Challenging Conversations', 1, 0.6632049083709717),
 (353,
  0,
  u'DLR_10 Keys to Inspiring, Engaging, and Energizing Your People',
  1,
  0.647541344165802)]

sorted_df=sqlContext.createDataFrame(sorted_rdd,['user','itemId','itemName','rating','prediction'])


sorted_df.registerTempTable("predictions_df")

query = """ 
      select * from predictions_df 
      where user =353 
      and rating =0
      """
items_recommended=sqlContext.sql(query)

现在，当我运行下面的命令时，我期待着，因为这是一个小查询，它应该运行得很快。但要给出结果需要很多时间。看起来它将一直到DAG的顶端，并再次执行所有的操作

我不明白，因为当我执行sortedrdd.take（5）命令时，DAG会被破坏。因此，如果我现在运行下面的命令，这个命令之后的任何内容都将被执行，而不是在此之前

items_recommended.count()

那它为什么要运行一个小时呢？我使用60个执行器和5个内核。已排序的rdd有450MM行

编辑1：

这是大卫回答的后续问题。假设我有以下命令

对数据帧进行排序 你是说每次我用

.take（）

运行最后一个命令时，它都会返回到第一个

orderBy

并再次对数据帧排序，然后再次运行所有命令？。即使我执行了

sorted\u prediction.show（）

以执行先前的排序命令

编辑II:

如果我有如下函数：

def train_test_split(self,split_perc):

    """ This function takes the DataFrame/RDD of ratings and splits 
    it into Training, Validation and testing based on the splitting 
    percentage passed as parameters

    Param: ratings Dataframe of Row[(UserID,ItemID,ratings)]
    Returns: train, validation, test

    """

   # Converting the RDD back to dataframe to be used in DataFrame ml API

    #ratings=sqlContext.createDataFrame(split_sdf,["user", "item", "rating"])

    random_split=self.ratings_sdf.randomSplit(split_perc,seed=20)

    #return random_split[0],random_split[1],random_split[2]

    self.train=random_split[0]
    self.train.cache().count()

    # Converting the ratings column to float values for Validation and Test data
    self.validation=random_split[1].withColumn('rating',(random_split[1].rating>0).astype('double'))
    self.test=random_split[2].withColumn('rating',(random_split[2].rating>0).astype('double'))

    self.validation.cache().count()
    self.test.cache()

此功能基本上是将数据帧拆分为train、val和test。我将在稍后的机器学习任务中使用这三种方法，因此将使用train来训练用于超参数调优的algo和val

所以我缓存了上面三个。然而，为了使缓存可执行，我做了。这三个都可以。但是现在这个功能需要很多时间才能工作。你认为这三个都需要一个.count吗？或者我可以在一个上做.count（test.count（），它将执行上述函数中的所有命令，并将缓存train和val数据报？。我觉得应该可以，不需要三个计数

我不明白，因为当我执行sortedrdd.take（5）命令时，DAG会被破坏。所以在这个命令之后的任何东西都会被执行，而不是在此之前

Spark的惰性评估扩展到在内存中存储东西。除非您显式地

cache（）

中间数据，否则Spark不会这样做。如果没有

cache（）

调用，Spark将需要在

执行（5）之前重新处理所有步骤

也要打电话。要解决这个问题，请在

采取类似操作之前缓存您的rdd

 sorted_rdd.cache().take(5)

解决编辑问题
你是说每次我用
.take（）
运行最后一个命令时，它都会返回到第一个
orderBy
并再次对数据帧排序，然后再次运行所有命令？即使我执行了
sorted\u prediction.show（）
以执行先前的排序命令

正确。在下面的代码中，Spark需要运行所有步骤来创建
预测
，以及
orderBy
计算来显示20行
排序的预测
。然后它将运行所有步骤来创建
预测
，
orderBy
计算和
映射
计算o显示5行
已排序的\u rdd

sorted_predictions=predictions.orderBy(['user','prediction'],ascending=[1,0])
sorted_predictions.show(20)

sorted_rdd=sorted_predictions.map(mapIdToString)
sorted_rdd.take(5)

从评论中
我认为缓存也是一种行为

缓存本身不是一个操作。它是一条将
RDD
/
DataFrame
存储在内存中的指令，但在运行操作（例如计数、获取、显示等）之前，这不会真正发生

我不明白，因为当我执行sortedrdd.take（5）命令时，DAG会被破坏。所以在这个命令之后的任何东西都会被执行，而不是在此之前

Spark的惰性评估扩展到在内存中存储东西。除非您显式地
cache（）
中间数据，否则Spark不会这样做。如果没有
cache（）
调用，Spark将需要在
执行（5）之前重新处理所有步骤
也要打电话。要解决这个问题，请在
采取类似操作之前缓存您的rdd

 sorted_rdd.cache().take(5)

解决编辑问题
你是说每次我用
.take（）
运行最后一个命令时，它都会返回到第一个
orderBy
并再次对数据帧排序，然后再次运行所有命令？即使我执行了
sorted\u prediction.show（）
以执行先前的排序命令

正确。在下面的代码中，Spark需要运行所有步骤来创建
预测
，以及
orderBy
计算来显示20行
排序的预测
。然后它将运行所有步骤来创建
预测
，
orderBy
计算和
映射
计算o显示5行
已排序的\u rdd

sorted_predictions=predictions.orderBy(['user','prediction'],ascending=[1,0])
sorted_predictions.show(20)

sorted_rdd=sorted_predictions.map(mapIdToString)
sorted_rdd.take(5)

从评论中
我认为缓存也是一种行为

缓存本身不是一个操作。它是一条将
RDD
/
DataFrame
存储在内存中的指令，但这实际上不会发生，直到运行一个操作（例如计数、获取、显示等）
尝试解决后续问题尝试解决后续问题