如何优化MapReduce函数、Python、mrjob
我对Map/Reduce原则和pythonmrjob框架非常陌生,我编写了这个示例代码,它工作得很好,但我想知道我可以在其中做些什么来使它“完美”/更高效如何优化MapReduce函数、Python、mrjob,python,hadoop,mapreduce,mrjob,Python,Hadoop,Mapreduce,Mrjob,我对Map/Reduce原则和pythonmrjob框架非常陌生,我编写了这个示例代码,它工作得很好,但我想知道我可以在其中做些什么来使它“完美”/更高效 from mrjob.job import MRJob import operator import re # append result from each reducer output_words = [] class MRSudo(MRJob): def init_mapper(self): # move
from mrjob.job import MRJob
import operator
import re
# append result from each reducer
output_words = []
class MRSudo(MRJob):
def init_mapper(self):
# move list of tuples across mapper
self.words = []
def mapper(self, _, line):
command = line.split()[-1]
self.words.append((command, 1))
def final_mapper(self):
for word_pair in self.words:
yield word_pair
def reducer(self, command, count):
# append tuples to the list
output_words.append((command, sum(count)))
def final_reducer(self):
# Sort tuples in the list by occurence
map(operator.itemgetter(1), output_words)
sorted_words = sorted(output_words, key=operator.itemgetter(1), reverse=True)
for result in sorted_words:
yield result
def steps(self):
return [self.mr(mapper_init=self.init_mapper,
mapper=self.mapper,
mapper_final=self.final_mapper,
reducer=self.reducer,
reducer_final=self.final_reducer)]
if __name__ == '__main__':
MRSudo.run()
有两种方法可以遵循 1。改进您的流程 您正在进行分布式字数统计。此操作是代数操作,但您没有利用此属性 对于输入的每一个单词,您都会向减缩器发送一条记录。这些字节必须进行分区,通过网络发送,然后通过减速机进行排序。它既不高效也不可扩展,映射器发送到还原器的数据量通常是一个瓶颈 你应该在你的工作中增加一个组合器。它将做完全相同的事情比你目前的减速机。合并器正好在同一地址空间中的映射器之后运行。这意味着,通过网络发送的数据量不再与输入的字数成线性关系,而是受唯一字数的限制。通常要低几个数量级 由于分布式字数计算示例被过度使用,您可以通过搜索“分布式字数合并器”轻松找到更多信息。所有代数运算都必须有一个组合器 2。使用更高效的工具 Mrjob是一个很好的工具,可以快速编写map-reduce作业。通常,编写python作业比编写Java作业更快。但是,它有运行时成本:
typedbytes
Cloudera几个月前就做了。MRJob比他们的Java作业慢很多(5到7倍)。mr当typedbytes可用时,作业性能应该会提高,但Java作业仍然会快2到3倍。有两种方法可以遵循 1。改进您的流程 您正在进行分布式字数统计。此操作是代数操作,但您没有利用此属性 对于输入的每一个单词,您都会向减缩器发送一条记录。这些字节必须进行分区,通过网络发送,然后通过减速机进行排序。它既不高效也不可扩展,映射器发送到还原器的数据量通常是一个瓶颈 你应该在你的工作中增加一个组合器。它将做完全相同的事情比你目前的减速机。合并器正好在同一地址空间中的映射器之后运行。这意味着,通过网络发送的数据量不再与输入的字数成线性关系,而是受唯一字数的限制。通常要低几个数量级 由于分布式字数计算示例被过度使用,您可以通过搜索“分布式字数合并器”轻松找到更多信息。所有代数运算都必须有一个组合器 2。使用更高效的工具 Mrjob是一个很好的工具,可以快速编写map-reduce作业。通常,编写python作业比编写Java作业更快。但是,它有运行时成本:
typedbytes
Cloudera几个月前就做了。MRJob比他们的Java作业慢很多(5到7倍)。mrTypedBytes可用时,作业性能应该会提高,但Java作业仍然会快2到3倍。这听起来更像是一个问题。感谢您指出这一点,但我想问的是如何提高此代码的性能。是的,这正是问题所在。此代码存在许多问题。在实际情况中,您将进行数据缩减。你在这里什么都没做。但一般来说,如果您进行数据缩减,则可以在分区器中进行。python代码可以被清理。将reducer\u final()称为final\u reducer()会产生误导,因为它不是另一个reducer,而是在reducer之后运行的代码。因为需要全局排序,所以希望所有对都指向同一个映射器,但在您的示例中不会。你到底想做什么?这听起来更像是一个问题。谢谢你指出这一点,但我想问的是如何提高这段代码的性能。是的,这正是你想要做的。这段代码有很多问题。在实际情况中,您将进行数据缩减。你在这里什么都没做。但一般来说,如果您进行数据缩减,则可以在分区器中进行。python代码可以被清理。将reducer\u final()称为final\u reducer()会产生误导,因为它不是另一个reducer,而是在reducer之后运行的代码。因为需要全局排序,所以希望所有对都指向同一个映射器,但在您的示例中不会。你到底想做什么?