Python SparkStreaming应用程序太慢
在开发SparkStreaming应用程序(python)时,我不能完全确定是否理解它的工作原理。 我只需要读取一个json文件流(在目录中弹出)并对每个json对象和引用执行连接操作,然后将其写回文本文件。这是我的密码:Python SparkStreaming应用程序太慢,python,apache-spark,pyspark,spark-streaming,dstream,Python,Apache Spark,Pyspark,Spark Streaming,Dstream,在开发SparkStreaming应用程序(python)时,我不能完全确定是否理解它的工作原理。 我只需要读取一个json文件流(在目录中弹出)并对每个json对象和引用执行连接操作,然后将其写回文本文件。这是我的密码: config = configparser.ConfigParser() config.read("config.conf") def getSparkSessionInstance(sparkConf): if ("sparkSessionSingletonInstanc
config = configparser.ConfigParser()
config.read("config.conf")
def getSparkSessionInstance(sparkConf):
if ("sparkSessionSingletonInstance" not in globals()):
globals()["sparkSessionSingletonInstance"] = SparkSession \
.builder \
.config(conf=sparkConf) \
.getOrCreate()
return globals()["sparkSessionSingletonInstance"]
# Création du contexte
sc = SparkContext()
ssc = StreamingContext(sc, int(config["Variables"]["batch_period_spark"]))
sqlCtxt = getSparkSessionInstance(sc.getConf())
df_ref = sqlCtxt.read.json("file://" + config["Paths"]["path_ref"])
df_ref.createOrReplaceTempView("REF")
df_ref.cache()
output = config["Paths"]["path_DATAs_enri"]
# Fonction de traitement des DATAs
def process(rdd):
if rdd.count() > 0:
#print(rdd.toDebugString)
df_DATAs = sqlCtxt.read.json(rdd)
df_DATAs.createOrReplaceTempView("DATAs")
df_enri=sqlCtxt.sql("SELECT DATAs.*, REF.Name, REF.Mail FROM DATAs, REF WHERE DATAs.ID = REF.ID")
df_enri.createOrReplaceTempView("DATAs_enri")
df_enri.write.mode('append').json("file://" + output)
if(df_enri.count() < df_DATAs.count()):
df_fail = sqlCtxt.sql("SELECT * FROM DATAs WHERE DATAs.ID NOT IN (SELECT ID FROM DATAs_enri)")
df_fail.show()
# Configuration du stream et lancement
files = ssc.textFileStream("file://" + config["Paths"]["path_stream_DATAs"])
files.foreachRDD(process)
print("[GO]")
ssc.start()
ssc.awaitTermination()
嗯,它正在工作,但我有一个问题:过程很慢,过程延迟在增加。我在当地[*]工作,恐怕没有平行性。。。在监控UI中,我一次只能看到一个执行者和一个作业。有没有更简单的方法?和数据流上的转换函数一样?是否缺少一个配置变量?您的代码运行缓慢有几个原因 关于工人,正如我看到的,我没有看到任何地方你设定了工人的数量。因此,它将从默认的工人数量开始,这意味着可能是1。在另一方面,您正在读取一个可能并没有那个么大的文件,而spark并没有进行并行处理 另一方面,您需要理解代码中的几个步骤:
如果rdd.count()大于0:;如果(df_enri.count()
,则计数非常昂贵,这是流式数据中的一个减少阶段,并且您的计数是计数的3倍df_ref.cache()
,但是,连接会进行洗牌,而且成本很高我的建议是,不要做那个失败的步骤,从代码中删除它。它不起作用,只是不保存数据。另一件事,设置更多的工人或更多的核心执行:
spark.executor.cores=2
,如您所见。好的,非常感谢这些建议!我还有一个问题,我的if中的第一个计数是为了防止Spark在rdd出现之前处理它们。SparkStreaming在流上启动操作,即使还没有什么要处理的,这是正常的吗?因为如果我不这样做,它会告诉我我正在处理空RDD…第一个count()
我建议您使用函数isEmpty()
这可以更快地检查您的RDD是否为空。这不会生成洗牌。
spark.master local[*]
spark.executor.memory 3g
spark.driver.memory 3g
spark.python.worker.memory 3g
spark.memory.fraction 0.9
spark.driver.maxResultSize 3g
spark.memory.storageFraction 0.9
spark.eventLog.enabled true