当前位置: 首页 > 面试题库 >

在Spark中嵌套并行化?什么是正确的方法?

史英睿
2023-03-14
问题内容

嵌套的RAL居?

假设我正在尝试做Spark中的“嵌套循环”。就像普通语言一样,假设我在内部循环中有一个例程,该例程以Pi Average
Spark示例
的方式估算Pi(请参见估算Pi)

i = 1000; j = 10^6; counter = 0.0;

for ( int i =0; i < iLimit; i++)
    for ( int j=0; j < jLimit ; j++)
        counter += PiEstimator();

estimateOfAllAverages = counter / i;

我可以在Spark中嵌套并行化调用吗?我正在尝试,但还没有解决。乐于张贴错误和代码,但我想我要问一个更概念性的问题,即这是否是Spark中的正确方法。

我已经可以并行化一个Spark实例/
Pi估计,现在我想执行1000次以查看它是否在Pi上收敛。(这与我们正在尝试解决的更大问题有关,如果需要更接近MVCE的东西,我很乐意补充)

底线问题我只需要有人直接回答:使用嵌套并行化调用这是正确的方法吗?如果没有,请提出具体建议,谢谢!这是我认为正确的方法的伪代码方法:

// use accumulator to keep track of each Pi Estimate result

sparkContext.parallelize(arrayOf1000, slices).map{ Function call

     sparkContext.parallelize(arrayOf10^6, slices).map{
            // do the 10^6 thing here and update accumulator with each result
    }
}

// take average of accumulator to see if all 1000 Pi estimates converge on Pi

背景:我问了这个问题并得到了一个普遍的答案,但并没有导致解决方案,经过一番摸索后,我决定发布一个具有不同特征的新问题。我也尝试在Spark用户邮件列表中询问此问题,但那里也没有骰子。在此先感谢您的帮助。


问题答案:

在Pi示例中,在嵌套的for循环中,您可以通过对i * j次处理执行单个循环,然后对所有这些结果求和,然后最后除以j,可以得到相同的答案。如果您有要在外部循环中应用的步骤,请在循环中执行这些步骤,但是通过为每个内部循环组分配特定的键来创建不同的组。在不知道您要在外部循环中执行哪种操作的情况下,很难在此处给出示例。

对于仅求平均值以提高收敛性的简单情况,其相对容易。无需执行嵌套循环,只需使用i * j元素创建rdd,然后将函数应用于每个元素。

这可能看起来像(使用pySpark):( f是您要应用的任何函数,请记住,它将传递RDD中的每个元素,因此即使您未在函数中使用f,也要使用输入定义它)

x = RandomRDDs.uniformRDD(sc, i*j)
function_values = x.map(f)

from operator import add   
sum_of_values = function_values.reduce(add)
averaged_value = sum_of_values/j (if you are only averaging over the outer loop)

如果要在外部循环中执行操作,我将分配一个索引(zipWIthIndex),然后使用以j为模的索引创建一个键。然后,每个不同的键将是一个单独的虚拟内部循环周期,您可以使用诸如bindByKey,foldByKey或reduceByKey之类的运算符仅对那些记录执行操作。如果将不同的密钥分配到不同的分区,则可能会降低性能。

一种替代方法是将rdd重新分区到j个分区上,然后使用foreachPartition函数将一个函数应用于每个分区。

第三种选择是并行运行内循环j次,将结果连接到一个分布式文件中,然后在将其读入Spark后执行外循环操作。



 类似资料:
  • 考虑到我正在使用以下RESTful APIendpoint: /users/:显示所有用户 /users/$user_id/:显示特定用户 /users/$user_id/posts/:按用户显示所有帖子 /users/$user_id/posts/$post_id/:按用户显示特定帖子 这个数据模型中的约束:一篇文章总是有一个用户。 “处理嵌套资源”是指处理CRUD操作。 我应该在 /users

  • 在Haskell中执行嵌套循环有两种明显的“惯用”方法:使用列表monad或使用 : 在1s内运行。这个库使用得不多,也远不是惯用的,那么,获得快速恒定空间二维计算的惯用方法是什么呢?(注意,这不是REPA的情况,因为我想在网格上执行任意IO操作。)

  • 在学习Java 8 streams和lambas时,我尝试用streams替换以下嵌套for循环: 循环迭代“ProvidedService”对象的列表,对于每个对象,循环遍历“Desk”对象的列表属性,并将“Id”字段提取到列表中。 我使用streams生成了以下代码: 这是正确/最佳的方法吗?或者有没有一种方法可以在没有第二个嵌套流的情况下实现这一点?

  • 我正在考虑创建一个包含一对多和多对多元素的模式。由于我在这方面有点新手,我搜索了一些资源,发现了两种类型的示例;1.将下层对象的内容放入上层,然后进行处理。第二种类型是创建外键,您认为哪一种更正确? 1. 这两个选项中,哪一个是正确且有效的? 另外,这是我想要创建的数据库模式。。你觉得我该怎么办。。请用java展示我不认识kotlin的例子

  • 问题内容: 在Python中,我想在代码中编写多行字典。有几种方法可以格式化它。我想到的是一些: mydict = { “key1”: 1, “key2”: 2, “key3”: 3, } mydict = { “key1”: 1, “key2”: 2, “key3”: 3, } mydict = { “key1”: 1, “key2”: 2, “key3”: 3, } 我知道以上任何一种在语法上

  • 问题内容: 在学习Java 8流和lambas时,我尝试用流替换以下嵌套的for循环: 该循环迭代“ ProvidedService”对象的列表,并针对每个对象循环访问“ Desk”对象的list属性,并将“ Id”字段提取到列表中。 我想出了以下使用stream的代码: 这是正确/最佳的方式吗?还是有没有第二个嵌套流的方法来执行此操作? 问题答案: 我可能会这样写: