我正在尝试使用 R 编写自定义 map-reduce。这是我的映射器函数:
#! /usr/bin/env Rscript
input <- file("stdin", "r")
while(length(line <- readLines(input, n=1, warn=FALSE)) > 0) {
# in case of empty lines
if(nchar(line) == 0) break
# split line into data
data = unlist(strsplit(line, ","))
# output scores with cat()
cat(data[2],"|",data[3],"|",data[4]
,"\t" # reduce key followed by tab
,paste(data[1],paste(unlist(data[5:length(data)]),collapse=","),sep = ",") # all other fields separated by commas
,"\n",sep='') # line break
}
close(input)
所以基本上3列的组合是我在这里的关键;其余列将有值(value)。一旦我在单个 reducer 节点中获得了属于特定键的所有数据,那么这些数据将由下面的 reducer 代码处理:
first_line <- TRUE
first_time <- TRUE
prev_id <- ""
input <- file("stdin", "r")
while(length(line <- readLines(input, n=1, warn=FALSE)) > 0) {
if(nchar(line) == 0) break
if(first_time == TRUE){
first_time = FALSE
next
}
id <- unlist(strsplit(line,"\t"))[1]
data0 <- unlist(strsplit(line,"\t"))[2]
data1 = data.frame(t(unlist(strsplit(data0, ","))),stringsAsFactors=FALSE)
colnames(data1) = c('ITEM_I','BOH','EOH','LATTD_I','LNGTD_I')
data1$DEPT = strsplit(id,"\\|")[[1]][1]
data1$CLAS = strsplit(id,"\\|")[[1]][2]
data1$SBCL = strsplit(id,"\\|")[[1]][3]
if(prev_id==id | first_line==T){
if(!exists("base_data")){
base_data <- rbind(data1)
first_line <- F
}else{
base_data <- rbind(base_data,data1)
}
}else{
if(!exists("results")){
results <- BuildDTnProcess(base_data)
base_data <- rbind(data1)
}else{
results <- rbind(results,BuildDTnProcess(base_data))
base_data <- data1
}
}
prev_id <- id
}
close(input)
if(!exists("results")){
results <- BuildDTnProcess(base_data)
}else{
results <- rbind(results,BuildDTnProcess(base_data))
}
base_data <- NULL
因此,我试图将属于单个键的所有记录堆积到一个数据框中(以及每当出现新键时启动一个新数据框)。然后将此数据传递给函数 BuildDTnProcess ,该函数将执行一些操作以完成由单个关键观察组成的数据帧;结果将存储在结果中。
我观察到这段代码卡住了几天然后被杀死。所以我开始一一添加代码块来识别瓶颈。我已经确定直到
data1$MDSE_SBCL_REF_I = strsplit(id,"\\|")[[1]][3]
代码运行良好,但当我添加if(prev_id==id | first_line==T){
if(!exists("base_data")){
base_data <- rbind(data1)
first_line <- F
}else{
base_data <- rbind(base_data,data1)
}
}
然后它变得很慢。在日志中(在 20 分钟内完成运行)
2016-05-11 14:57:26,160 INFO [main] org.apache.hadoop.streaming.PipeMapRed: R/W/S=200000/0/0 in:1169=200000/171 [rec/s] out:0=0/171 [rec/s] 2016-05-11 14:58:47,346 INFO [main] org.apache.hadoop.streaming.PipeMapRed: R/W/S=300000/0/0 in:1185=300000/253 [rec/s] out:0=0/253 [rec/s] 2016-05-11 15:00:09,503 INFO [main] org.apache.hadoop.streaming.PipeMapRed: R/W/S=400000/0/0 in:1194=400000/335 [rec/s] out:0=0/335 [rec/s] 2016-05-11 15:01:33,969 INFO [main] org.apache.hadoop.streaming.PipeMapRed: R/W/S=500000/0/0 in:1193=500000/419 [rec/s] out:0=0/419 [rec/s] 2016-05-11 15:02:54,523 INFO [main] org.apache.hadoop.streaming.PipeMapRed: R/W/S=600000/0/0 in:1200=600000/500 [rec/s] out:0=0/500 [rec/s]
它变慢并卡住(即使几天后也没有完成)
2016-05-11 13:51:17,543 INFO [main] org.apache.hadoop.streaming.PipeMapRed: R/W/S=10000/0/0 in:87=10000/114 [rec/s] out:0=0/114 [rec/s] 2016-05-11 16:58:16,552 INFO [main] org.apache.hadoop.streaming.PipeMapRed: R/W/S=100000/0/0 in:8=100000/11333 [rec/s] out:0=0/11333 [rec/s]
我在这里遗漏了什么重要的东西吗?
PS:在进行此分析时,我已经删除了下面提到的瓶颈代码块的所有代码部分。
最佳答案
自己写答案,因为我找到了原因,这个问题仍然没有任何回复甚至评论。性能缓慢的根本原因是“rbind”操作。 Rbind 实现是这样一种方式,它需要更多的时间来追加行;到更大的基础 data.frame 比更小的基础 data.frame。更多详细信息请参见此处 Growing a data.frame in a memory-efficient manner
我自己已经实现了 data.table 以及预填充版本的解决方案,效果非常好。
关于r - 使用 R 的非常慢/卡住的 hadoop 流式传输,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/37178088/