我已经写了一个火花的工作。看起来像下面这样:火花正在洗牌大量数据
public class TestClass {
public static void main(String[] args){
String masterIp = args[0];
String appName = args[1];
String inputFile = args[2];
String output = args[3];
SparkConf conf = new SparkConf().setMaster(masterIp).setAppName(appName);
JavaSparkContext sparkContext = new JavaSparkContext(conf);
JavaRDD<String> rdd = sparkContext.textFile(inputFile);
Integer[] keyColumns = new Integer[] {0,1,2};
Broadcast<Integer[]> broadcastJob = sparkContext.broadcast(keyColumns);
Function<Integer,Long> createCombiner = v1 -> Long.valueOf(v1);
Function2<Long, Integer, Long> mergeValue = (v1,v2) -> v1+v2;
Function2<Long, Long, Long> mergeCombiners = (v1,v2) -> v1+v2;
JavaPairRDD<String, Long> pairRDD = rdd.mapToPair(new PairFunction<String, String, Integer>() {
private static final long serialVersionUID = -6293440291696487370L;
@Override
public Tuple2<String, Integer> call(String t) throws Exception {
String[] record = t.split(",");
Integer[] keyColumns = broadcastJob.value();
StringBuilder key = new StringBuilder();
for (int index = 0; index < keyColumns.length; index++) {
key.append(record[keyColumns[index]]);
}
key.append("|id=1");
Integer value = new Integer(record[4]);
return new Tuple2<String, Integer>(key.toString(),value);
}}).combineByKey(createCombiner, mergeValue, mergeCombiners).reduceByKey((v1,v2) -> v1+v2);
pairRDD.saveAsTextFile(output);
}
}
该程序计算每个键的值的总和。 根据我的理解,本地组合器应该在每个节点上运行,并将相同键的值相加,然后在少量数据的情况下进行混洗。 但在SparkUI上,它显示了大量的随机读取和随机写入(差不多58GB)。 我做错了什么? 如何知道本地组合器是否工作?
群集细节: -
20个节点集群
具有80GB的硬盘来,8GB RAM,4个核每个节点
Hadoop的2.7.2
火花2.0.2(预生成与 - Hadoop的2.7.x分布)
输入文件的详细信息: -
输入文件存储在HDFS
输入文件大小:400GB
多项纪录:16129999990
战绩列:字符串(2 char),int,int,String(2 char),int,int,String(2 char),String(2 char),String(2 char) 在火花日志中,我看到使用localitylevel NODE_LOCAL运行的任务。
你为什么要用combineByKey和reduceByKey? ReduceByKey将使用reducer作为组合器,就像在你的例子中一样 –