R 如何提高读取csv的性能?
我认为使用R 如何提高读取csv的性能?,r,apache-spark,sparklyr,R,Apache Spark,Sparklyr,我认为使用sparklyr读取CSV文件的速度非常慢。见MVE library(sparklyr) library(dplyr) conf <- spark_config() conf$spark.executor.memory <- "60GB" conf$spark.memory.fraction <- 0.9 conf$spark.executor.cores <- 6 conf$spark.dynamicAllocation.enabled <- "fal
sparklyr
读取CSV文件的速度非常慢。见MVE
library(sparklyr)
library(dplyr)
conf <- spark_config()
conf$spark.executor.memory <- "60GB"
conf$spark.memory.fraction <- 0.9
conf$spark.executor.cores <- 6
conf$spark.dynamicAllocation.enabled <- "false"
sc <- sparklyr::spark_connect(master = "local", config = conf)
library(data.table)
fwrite(data.table(
id1 = sample(sprintf("id%03d",1:K), N, TRUE), # large groups (char)
id2 = sample(sprintf("id%03d",1:K), N, TRUE), # large groups (char)
id3 = sample(sprintf("id%010d",1:(N/K)), N, TRUE), # small groups (char)
id4 = sample(K, N, TRUE), # large groups (int)
id5 = sample(K, N, TRUE), # large groups (int)
id6 = sample(N/K, N, TRUE), # small groups (int)
v1 = sample(5, N, TRUE), # int in range [1,5]
v2 = sample(5, N, TRUE), # int in range [1,5]
v3 = sample(round(runif(100,max=100),4), N, TRUE) # numeric e.g. 23.5749
), "a.csv")
system.time(sparklyr::spark_read_csv(sc, "a", "a.csv"))
库(年)
图书馆(dplyr)
conf这里至少有三个问题:
本地
模式不是分布式的,甚至不是并行的。它将只使用一个本地线程。如果只有一个节点可供使用,请至少尝试增加可用线程的数量(可能超过可用内核的数量)
一般来说,单个JVM路径不是最好的方法,尤其是在内存较大的情况下。即使您没有多个节点可供使用,也可以使用pseudo distrubuted和独立集群以及并置的主节点和工作节点
- 您不为读取器提供模式,并且需要模式推断(默认值为
experre\u schema
argument)。如果你想避免这种开销,你应该这样做
- 您急切地缓存数据(默认值为
memory
argument),这既有用又很少有用
此外:
spark.memory.fraction
的如此高的值很可能会让垃圾收集器疯狂地填充旧的gen。请确保检查GC时间,如果出现异常高的值,请将spark.memory.fraction
降低到默认值(0.6)以下,而不是增加
最后:
- 降低你的期望。火花
文件是否存储在本地?如果您fread
CSV&然后将其并行化,会发生什么?你的星火背景是本地的吗?只是确认你真的有60Gb的本地内存…是的,我的电脑上的所有东西都是本地的。我正在努力提高本地模式性能的代码中使用的。。。您是否也使用了spark.read.csv
?