Python 如何提高向Redis写入Spark数据帧的速度？

我正在开发一个基于Flask的图书推荐API，发现要管理多个请求，我需要预先计算相似性矩阵，并将其存储在某个地方以备将来查询。该矩阵是使用PySpark基于约150万个数据库条目创建的，其中包含图书id、名称和元数据，其结果可以用该模式描述（

i

和

j

用于图书索引，

dot

用于元数据的相似性）：

最初，我打算使用spark Redis连接器将其存储在Redis上。但是，以下命令的运行速度似乎非常慢（即使初始图书数据库查询大小限制为非常适度的40k批）：

Spark将初始任务分为9个阶段，其中3个阶段需要6个小时才能完成。奇怪的是，Spark执行器的存储内存使用率非常低，约为20kb。Spark应用程序UI描述了一个典型的阶段活动阶段：

org.apache.spark.sql.DataFrameWriter.save(DataFrameWriter.scala:271)
sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62)
sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
java.lang.reflect.Method.invoke(Method.java:498)
py4j.reflection.MethodInvoker.invoke(MethodInvoker.java:244)
py4j.reflection.ReflectionEngine.invoke(ReflectionEngine.java:357)
py4j.Gateway.invoke(Gateway.java:282)
py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:132)
py4j.commands.CallCommand.execute(CallCommand.java:79)
py4j.GatewayConnection.run(GatewayConnection.java:238)
java.lang.Thread.run(Thread.java:748)

有没有可能以某种方式加快这一进程？我的Spark会话是这样设置的：

SUBMIT_ARGS = "  --driver-memory 2G --executor-memory 2G --executor-cores 4 --packages mysql:mysql-connector-java:5.1.39 pyspark-shell"
os.environ["PYSPARK_SUBMIT_ARGS"] = SUBMIT_ARGS
conf = SparkConf().set("spark.jars", "spark-redis/target/spark-redis_2.11-2.4.3-SNAPSHOT-jar-with-dependencies.jar").set("spark.executor.memory", "4g")
sc = SparkContext('local','example', conf=conf) 
sql_sc = SQLContext(sc)

---

您可以尝试使用

Append

保存模式，以避免检查表中是否已存在数据：

similarities.write.format("org.apache.spark.sql.redis").option("table", "similarities").mode('append').option("key.column", "i").save()

此外，您可能需要更改

sc = SparkContext('local','example', conf=conf) 

到

使用机器上的所有内核

---

顺便问一下，在Redis中使用

i

作为键是否正确？它不应该是由

i

和

j

组成的吗？

谢谢你，这当然有帮助，如果不是很大的话。然而，将我的全部相似性表写到Redis仍然需要很长时间。关于这个问题，有什么我根本不了解的地方吗？元数据是通过一个管道生成的，该管道使用标记器->计数向量器->IDF来获取描述一本书的所有关键字的频率度量，这些度量对于书籍

i

和

j

的成对相似性作为

dot

进入相似性表。

similarities.write.format("org.apache.spark.sql.redis").option("table", "similarities").mode('append').option("key.column", "i").save()

sc = SparkContext('local','example', conf=conf) 

sc = SparkContext('local[*]','example', conf=conf)