如何解决在 Pyspark 中使用 checkpoint 后程序运行速度更快,为什么?
我的火花设置是这样的:
spark_conf = SparkConf().setAppName('app_name') \
.setMaster("local[4]") \
.set('spark.executor.memory',"8g") \
.set('spark.executor.cores',4) \
.set('spark.task.cpus',1)
sc = SparkContext.getorCreate(conf=spark_conf)
sc.setCheckpointDir(dirName='checkpoint')
当我在火花链中没有任何检查点并且我的程序是这样的:
result = sc.parallelize(group,4) \
.map(func_read,preservesPartitioning=True)\
.map(func2,preservesPartitioning=True) \
.flatMap(df_to_dic,preservesPartitioning=True) \
.reduceByKey(func3) \
.map(func4,preservesPartitioning=True) \
.reduceByKey(func5) \
.map(write_to_db) \
.count()
运行时间约为 8 小时。 但是当我像这样使用检查点和缓存 RDD 时:
result = sc.parallelize(group,preservesPartitioning=True) \
.reduceByKey(func5) \
.map(write_to_db)
result.cache()
result.checkpoint()
result.count()
程序运行大约需要 3 个小时。请您指导如何在缓存 RDD 和使用检查点后程序运行得更快?
任何帮助将不胜感激。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。