Я попытался использовать Spark для работы над простой задачей графа. Я нашел пример программы в исходной папке Spark: transitive_closure.py, которая вычисляет транзитивное замыкание в графе с не более чем 200 ребрами и вершинами. Но в моем собственном ноутбуке он работает более 10 минут и не заканчивается. В командной строке я использую: spark-submit transitive_closure.py.Программа программы Spark работает очень медленно
Интересно, почему искра настолько медленна, даже при вычислении такого малого транзитивного результата закрытия? Это обычный случай? Есть ли какая-то конфигурация, которую я пропускаю?
Программа показана ниже и может быть найдена в папке искрообразования на их веб-сайте.
from __future__ import print_function
import sys
from random import Random
from pyspark import SparkContext
numEdges = 200
numVertices = 100
rand = Random(42)
def generateGraph():
edges = set()
while len(edges) < numEdges:
src = rand.randrange(0, numEdges)
dst = rand.randrange(0, numEdges)
if src != dst:
edges.add((src, dst))
return edges
if __name__ == "__main__":
"""
Usage: transitive_closure [partitions]
"""
sc = SparkContext(appName="PythonTransitiveClosure")
partitions = int(sys.argv[1]) if len(sys.argv) > 1 else 2
tc = sc.parallelize(generateGraph(), partitions).cache()
# Linear transitive closure: each round grows paths by one edge,
# by joining the graph's edges with the already-discovered paths.
# e.g. join the path (y, z) from the TC with the edge (x, y) from
# the graph to obtain the path (x, z).
# Because join() joins on keys, the edges are stored in reversed order.
edges = tc.map(lambda x_y: (x_y[1], x_y[0]))
oldCount = 0
nextCount = tc.count()
while True:
oldCount = nextCount
# Perform the join, obtaining an RDD of (y, (z, x)) pairs,
# then project the result to obtain the new (x, z) paths.
new_edges = tc.join(edges).map(lambda __a_b: (__a_b[1][1], __a_b[1][0]))
tc = tc.union(new_edges).distinct().cache()
nextCount = tc.count()
if nextCount == oldCount:
break
print("TC has %i edges" % tc.count())
sc.stop()
Спасибо. Действительно полезно. У меня есть еще один вопрос, если вы можете помочь, я буду очень благодарен. Предположим, у меня есть программа, которая использует множество реляционных операций, таких как объединение, выбор, объединение, обновление и т. Д. В цикле до тех пор, пока факты в отношениях к фиксированной точке. Даже с полными кортежами не более 50, я застрял на второй итерации и исключении размера Java-кучи. Я использовал cache() и объединил (1) в каждой операции с файловой системой. Что может быть проблемой, о которой вы думаете? – c21