为啥 apache spark 中的这两个阶段计算相同的东西？

Posted 2023-04-17

【中文标题】为啥 apache spark 中的这两个阶段计算相同的东西？

【英文标题】：Why those two stages in apache spark are computing same thing?为什么 apache spark 中的这两个阶段计算相同的东西？

【发布时间】：2016-10-22 12:42:48

【问题描述】：

我是 spark 新手，我有两个长时间运行的阶段，它们几乎做同样的事情。下面是我的伪代码。

var metaData = sqlContext.read
  .format("com.databricks.spark.csv")
  .option("header", "true") 
  .option("inferSchema", "true") 
  .load(csvFile)

val met = broadcast(metaData.dropDuplicates(Seq("col1")))


val accessLogs = sc.textFile(logFile).filter(line => regex.pattern.matcher(line).matches).map(line => LogParser.parseLogLine(line)).toDF()




val joinOutput = accessLogs.join(met,accessLogs("col1") === met("col1"),"left_outer")

val uniqueDfNames2 = Seq("col0", "col1", "col2", "col3","col4")
val sparseFilter = joinOutput
                    .filter(joinOutput.col("col1").isNotNull)
                    .filter(joinOutput.col("col2").isNotNull)
                    .flatMap(row=>ListParser.parseLogLine(row))
sparseFilter.cache()

val uniqueCount = sparseFilter
                    .filterr=>r.col0 != null && r.col0 != "" 
                    .map
                          case(KeyValParse(col0,col1,col2,col3,col4,col5))=>((col0,col1,col2,col3,col4,col5),1)
                        
                    .distinct().cache()
                    .map case ((col0,col1,col2,col3,col4),count) => ((col0,col1,col2,col3,col4),1)
                    
                    .reduceByKey(_+_)
                    .map case ((col0,col1,col2,col3,col4),count) => (col0,col1,col2,col3,col4,count)
                    
                    .toDF(uniqueDfNames: _*).cache()

val totalCount = sparseFilter
                  .map
                        case(Parse(col0,col1,col2,col3,col4,col5))=>((col0,col1,col2,col3,col4),1)
                      
                  .reduceByKey(_+_)
                  .map
                        case ((col0,col1,col2,col3,col4),totcount) => (col0,col1,col2,col3,col4,totcount)
                      
                  .toDF(uniqueDfNames2: _*)
                  .join(uniqueCount,Seq("col0", "col1", "col2", "col3"),"left")
                  .select($"col0",$"col1",$"col2",$"col3",$"unicount",$"totcount")
                  .orderBy($"unicount".desc)
                  .toDF(totalDfNames: _*)

totalCount
  .select("*")
  .write
  .format("com.databricks.spark.csv")
  .option("header", "true")
  .option("delimiter", "|")
  .save(countPath)

我在这里尝试做的是根据一些参数从日志中生成唯一计数和总数。

一切正常，但是这两个长期运行的阶段共享几乎相同的 DAG。

以下是两个阶段的镜头。

请查看下面给出的两个阶段的屏幕截图。

直到平面图任务，他们都做同样的事情。 为什么这些不合并为一个阶段？ 为什么第 11 阶段要重新读取文件并再次进行所有计算是我无法猜测的？

对于具有 10 个执行程序（7 核，15Gb RAM）的 20Gb 数据，它需要将近 30 分钟才能完成，但我觉得这可以减少到相当短的时间。

任何指导将不胜感激。

PS:- 对不起我的图片编辑技巧:)

【参考方案1】：

RDD 在第一次在操作中计算时被缓存。代码中的第一个操作是“distinct”，即“sparseFilter”RDD 被缓存时。所以第一次缓存操作可能对后续阶段没有用。第一阶段的输出是一个不同的 RDD，但稍后您指的是 sparseFilter。所以 Spark 不得不重新计算 RDD。

我认为逻辑可以稍有不同。如果我理解正确，对于 totalCount 和 uniqueCount，代码使用相同的列集（col0、col1、col2、col3、col4）。那么在totalCount计算中，在reduceByKey之后，简单的count应该给出uniqueCount吗？通过这种方式可以避免额外的 distinct、reduceByKey、join 等。

【讨论】：

对不起，我在代码中犯了一个错误，uniqueCount RDD 实际上第一次使用 col0-col5 并采用不同的然后采用 col0-col4 来计算计数（将 col5 视为一些一种 userId，我想为唯一用户生成计数）