基于streamz documentation ,可以通过以下方式利用 dask 分布式集群:
from distributed import Client
client = Client('tcp://localhost:8786') # Connect to scheduler that has distributed workers
from streamz import Stream
source = Stream()
(source.scatter() # scatter local elements to cluster, creating a DaskStream
.map(increment) # map a function remotely
.buffer(5) # allow five futures to stay on the cluster at any time
.gather() # bring results back to local process
.sink(write)) # call write locally
for x in range(10):
source.emit(x)
从概念上讲,尚不清楚为什么我们不必将 dask 分布式 client
作为参数传递来实例化 Stream()
。更具体地说,Stream()
如何知道要附加到哪个调度程序?
如果您有两个调度程序,它们的工作人员位于不相关的节点上,例如:
from distributed import Client
client_1 = Client('tcp://1.2.3.4:8786')
client_2 = Client('tcp://10.20.30.40:8786')
如何分别为 client_1
和 client_2
创建两个流?
最佳答案
Dask 中的基本规则是,如果定义了分布式客户端,则将其用于任何 Dask 计算。如果有多个分布式客户端,请使用最近创建的仍处于事件状态的客户端。
Streamz 不会明确让您在 .scatter()
时选择要使用的客户端,它使用 dask.distributed.default_client()
来选择一个。您可能希望向他们提出问题以允许使用 client=
关键字。该工作流程甚至不适合基于上下文的方法。目前,如果您想让多个 Streamz 同时处理不同 Dask 集群上的数据,您可能必须操作 dask.distributed.client._global_clients
的状态。
关于dask - Streamz 与 Dask 分布式,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/52614762/