我正在使用 Spark 制作一个应用程序,它将运行一些主题提取算法。为此,首先我需要进行一些预处理,最后提取文档术语矩阵。我可以做到这一点,但对于(不是那么多)大文档集合(只有 2000,5MB),这个过程会花费很长时间。
因此,在调试时,我发现程序有点卡住的地方,并且它处于归约操作中。我在这部分代码中所做的就是计算每个术语在集合中出现的次数,所以首先我做了一个“映射”,为每个 rdd 计算它,然后我“减少”它,将结果保存在里面 HashMap 。 Map操作非常快,但是在Reduce中,它把操作分成40个 block ,每个 block 需要5~10分钟处理。
所以我试图找出我做错了什么,或者减少操作的成本是否那么高。
SparkConf:独立模式,使用本地[2]。我尝试将其用作“spark://master:7077”,并且它有效,但仍然很慢。
代码:
“filesIn”是一个 JavaPairRDD,其中键是文件路径,值是文件内容。 因此,首先是 map ,我在其中获取“filesIn”,分割单词,并计算它们的频率(在这种情况下,文件是什么并不重要) 然后是reduce,我在其中创建了一个HashMap(term、freq)。
JavaRDD<HashMap<String, Integer>> termDF_ = filesIn.map(new Function<Tuple2<String, String>, HashMap<String, Integer>>() {
@Override
public HashMap<String, Integer> call(Tuple2<String, String> t) throws Exception {
String[] allWords = t._2.split(" ");
HashMap<String, Double> hashTermFreq = new HashMap<String, Double>();
ArrayList<String> words = new ArrayList<String>();
ArrayList<String> terms = new ArrayList<String>();
HashMap<String, Integer> termDF = new HashMap<String, Integer>();
for (String term : allWords) {
if (hashTermFreq.containsKey(term)) {
Double freq = hashTermFreq.get(term);
hashTermFreq.put(term, freq + 1);
} else {
if (term.length() > 1) {
hashTermFreq.put(term, 1.0);
if (!terms.contains(term)) {
terms.add(term);
}
if (!words.contains(term)) {
words.add(term);
if (termDF.containsKey(term)) {
int value = termDF.get(term);
value++;
termDF.put(term, value);
} else {
termDF.put(term, 1);
}
}
}
}
}
return termDF;
}
});
HashMap<String, Integer> termDF = termDF_.reduce(new Function2<HashMap<String, Integer>, HashMap<String, Integer>, HashMap<String, Integer>>() {
@Override
public HashMap<String, Integer> call(HashMap<String, Integer> t1, HashMap<String, Integer> t2) throws Exception {
HashMap<String, Integer> result = new HashMap<String, Integer>();
Iterator iterator = t1.keySet().iterator();
while (iterator.hasNext()) {
String key = (String) iterator.next();
if (result.containsKey(key) == false) {
result.put(key, t1.get(key));
} else {
result.put(key, result.get(key) + 1);
}
}
iterator = t2.keySet().iterator();
while (iterator.hasNext()) {
String key = (String) iterator.next();
if (result.containsKey(key) == false) {
result.put(key, t2.get(key));
} else {
result.put(key, result.get(key) + 1);
}
}
return result;
}
});
谢谢!
最佳答案
好的,所以就在我的脑海中:
- Spark 转换是惰性的。这意味着
map
在您调用后续reduce
操作之前不会执行,因此您所描述的缓慢reduce
很可能是缓慢的map
+减少
ArrayList.contains
的复杂度为 O(N),因此所有这些words.contains
和terms.contains
效率极低map
逻辑有点可疑。尤其:- 如果术语已经出现,您永远不会进入
else
分支 - 乍一看,
words
和terms
应该具有完全相同的内容,并且应该等同于hashTermFreq
键或termDF
键。 - 看起来
termDF
中的值只能取值 1。如果这就是您想要的并且忽略频率,那么创建hashTermFreq
的意义何在?
这里实现的- 如果术语已经出现,您永远不会进入
reduce
阶段意味着低效的线性扫描,数据上的对象不断增长,而您真正想要的是reduceByKey
。
使用 Scala 作为伪代码,您的整个代码可以有效地表达如下:
val termDF = filesIn.flatMap{
case (_, text) =>
text.split(" ") // Split
.toSet // Take unique terms
.filter(_.size > 1) // Remove single characters
.map(term => (term, 1))} // map to pairs
.reduceByKey(_ + _) // Reduce by key
termDF.collectAsMap // Optionally
最后看来你是在重新发明轮子。至少您需要的一些工具已经在mllib.feature
中实现了。或ml.feature
关于mapreduce - Spark - 减少耗时过长的操作,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/33558593/