Python Spark只使用一台工人机器,如果有更多工人机器可用
我正试图通过Spark将机器学习预测任务并行化。我曾经在其他任务中多次成功地使用Spark,并且以前没有遇到过并行化问题 在这个特定任务中,我的集群有4个worker。我在一个有4个分区的RDD上调用mapPartitions。map函数从磁盘加载一个模型(一个引导脚本分发了执行此操作所需的所有内容;我已经验证了它存在于每个从机上),并对RDD分区中的数据点执行预测 代码运行,但只使用一个执行器。其他执行者的日志显示“已调用关机挂钩”。在不同的代码运行中,它使用不同的机器,但一次只能使用一台 如何让Spark同时使用多台机器 我通过齐柏林飞艇笔记本在亚马逊EMR上使用PySpark。下面是代码片段Python Spark只使用一台工人机器,如果有更多工人机器可用,python,apache-spark,pyspark,Python,Apache Spark,Pyspark,我正试图通过Spark将机器学习预测任务并行化。我曾经在其他任务中多次成功地使用Spark,并且以前没有遇到过并行化问题 在这个特定任务中,我的集群有4个worker。我在一个有4个分区的RDD上调用mapPartitions。map函数从磁盘加载一个模型(一个引导脚本分发了执行此操作所需的所有内容;我已经验证了它存在于每个从机上),并对RDD分区中的数据点执行预测 代码运行,但只使用一个执行器。其他执行者的日志显示“已调用关机挂钩”。在不同的代码运行中,它使用不同的机器,但一次只能使用一台 如
%spark.pyspark
sc.addPyFile("/home/hadoop/MyClassifier.py")
sc.addPyFile("/home/hadoop/ModelLoader.py")
from ModelLoader import ModelLoader
from MyClassifier import MyClassifier
def load_models():
models_path = '/home/hadoop/models'
model_loader = ModelLoader(models_path)
models = model_loader.load_models()
return models
def process_file(file_contents, models):
filename = file_contents[0]
filetext = file_contents[1]
pred = MyClassifier.predict(filetext, models)
return (filename, pred)
def process_partition(file_list):
models = load_models()
for file_contents in file_list:
pred = process_file(file_contents, models)
yield pred
all_contents = sc.wholeTextFiles("s3://some-path", 4)
processed_pages = all_contents.mapPartitions(process_partition)
processedDF = processed_pages.toDF(["filename", "pred"])
processedDF.write.json("s3://some-other-path", mode='overwrite')
按预期有四个任务,但它们都在同一个执行器上运行
我已经运行了集群,并且可以在资源管理器中提供可用的日志。我只是不知道该去哪里找。这里要提到两点(但不确定它们是否能解决您的问题):
WholeTextFileInputFormat
使用扩展了CombineFileInputFormat
的WholeTextFileInputFormat
,并且由于CombineFileInputFormat
,它将尝试将小文件组合并到一个分区中。因此,例如,如果您将分区数设置为2,您“可能”会得到两个分区,但这并不保证,这取决于您正在读取的文件的大小wholeTextFiles
的输出是一个RDD,它在每个记录中包含一个完整的文件(并且每个记录/文件不能被分割,因此它将在单个分区/工作区中结束)。因此,如果您只读取一个文件,那么尽管您在示例中将分区设置为4,但最终还是会将完整文件放在一个分区中该进程的分区数与您指定的分区数相同,但它是以序列化方式进行的 执行人 进程可能会增加默认的执行者数量。这可以在纱线资源管理器中看到。在您的情况下,所有处理都由一个执行者完成。如果执行器有多个核心,它将对作业进行parellize。在emr中,您必须进行此更改,以便为执行器提供多个核心 在我们的例子中,具体发生的是,数据很小,因此所有数据都在一个执行器中读取(即使用一个节点)。在没有以下属性的情况下,执行器仅使用单核。因此,所有任务都是序列化的 设置属性
sudo vi /etc/hadoop/conf/capacity-scheduler.xml
如图所示设置以下属性
"yarn.scheduler.capacity.resource-calculator": "org.apache.hadoop.yarn.util.resource.DominantResourceCalculator"
为了使此属性适用,必须重新启动纱线
sudo hadoop-yarn-resourcemanager stop
sudo hadoop-yarn-resourcemanager start
重新开始纺纱
sudo hadoop-yarn-resourcemanager stop
sudo hadoop-yarn-resourcemanager start
提交作业时,请查看纱线和spark ui
在“纱线”中,您将看到更多executor的纤芯您是否正确设置齐柏林飞艇以使用纱线簇模式?远处,EMR中的齐柏林飞艇以本地模式启动。@Zouzias我以前从未做过任何特殊的事情来让它正确地使用多个工人。我认为模式是正确的。“master”配置值设置为“Thread client”。
是否为“Thread.scheduler.capacity.resource calculator”:“org.apache.hadoop.Thread.util.resource.DominantResourceCalculator”
根据需要在容量调度器中指定?否则,Thread将不会根据您的作业优化群集使用情况。请输入这一行,所有内容。getNumPartitions并查看有多少个分区available@Achyuth分区的数量是4(或者我传入wholeTextFiles的任何数量),谢谢你的回答。我正在阅读大约2000个文件,似乎有4个分区(至少根据getNumPartitions),我们可以聊一段时间吗,这将是固定的让我们在这里谈谈