如何解决：火花中非常大的任务

Question

在这里，我粘贴了我在 spark 上运行的 python 代码，以便对数据执行一些分析。我能够在少量数据集上运行以下程序。但是当进入大型数据集时，它会说“第 1 阶段包含一个非常大的任务（17693 KB）。建议的最大任务大小为 100 KB”。

import os
import sys
import unicodedata
from operator import add

try:
    from pyspark import SparkConf
    from pyspark import SparkContext
except ImportError as e:
    print ("Error importing Spark Modules", e)
    sys.exit(1)

def tokenize(text):
    resultDict = {}
    text = unicodedata.normalize('NFKD', text).encode('ascii','ignore')

    str1= text[1]
    str2= text[0]

    arrText= text.split(str1)

    ss1 = arrText[0].split("/")

    docID = ss1[0].strip()

    docName = ss[1].strip()

    resultDict[docID+"_"+docName] = 1

    return resultDict.iteritems()

sc=SparkContext('local')
textfile = sc.textFile("path to my data")
fileContent = textfile.flatMap(tokenize)
rdd = sc.parallelize(fileContent.collect())
rdd= rdd.map(lambda x: (x[0], x[1])).reduceByKey(add)
print rdd.collect()
#reduceByKey(lambda a,b: a+b)
rdd.coalesce(1).saveAsTextFile("path to result")

我在这里发布更多警告：在此之后作业没有运行。有人可以帮我解决这个问题吗？

16/06/10 19:19:58 WARN TaskSetManager: Stage 1 contains a task of very large size (17693 KB). The maximum recommended task size is 100 KB.
16/06/10 19:19:58 INFO TaskSetManager: Starting task 0.0 in stage 1.0 (TID 5314, localhost, partition 0,PROCESS_LOCAL, 18118332 bytes)
16/06/10 19:19:58 INFO Executor: Running task 0.0 in stage 1.0 (TID 5314)
16/06/10 19:43:00 INFO BlockManagerInfo: Removed broadcast_1_piece0 on localhost:43480 in memory (size: 3.9 KB, free: 511.1 MB)
16/06/10 19:43:00 INFO ContextCleaner: Cleaned accumulator 2

Answer 1

当 Spark 序列化任务时，它会递归地序列化完整的闭包上下文。在这种情况下，逻辑罪魁祸首似乎是您在tokenize 中使用的unicodedata。我可能错了，但我在代码中看不到任何其他繁重的数据结构。 （注意，我通常将 Spark 与 Scala 一起使用，而我的 Python 已经生锈了。）我想知道该库是否由执行程序节点上不可用的重型数据结构支持。

处理这些类型问题的典型模式是：

1. 确保所有库都在执行程序节点上可用。

2. 使用广播变量将繁重的数据结构分发给执行程序。

不相关，除非您将其用作调试工具，否则您正在使用collect 将所有数据收集回驱动程序，这是不必要的。转换可以链接：

sc.textFile(...).flatMap(...).map(...).reduceByKey(add).coalesce(1).saveAsTextFile(...)