我在同一台机器上有一个Spark集群和一个Hdfs。 我已经在每台机器的本地文件系统和hdfs分布式文件系统上复制了一个单独的文本文件,大约为3Gbytes。Spark本地vs hdfs permormance
我有一个简单的字数pyspark程序。
如果我提交从本地文件系统读取文件的程序,它会持续约33秒。 如果我提交从hdfs读取文件的程序,它持续约46秒。
为什么?我期待完全相反的结果。
增加sgvd的请求后:
16奴隶1个主
星火独立的,没有特别的设置(复制因子3)
版本1.5.2
import sys
sys.path.insert(0, '/usr/local/spark/python/')
sys.path.insert(0, '/usr/local/spark/python/lib/py4j-0.8.2.1-src.zip')
import os
os.environ['SPARK_HOME']='/usr/local/spark'
os.environ['JAVA_HOME']='/usr/local/java'
from pyspark import SparkContext
#conf = pyspark.SparkConf().set<conf settings>
if sys.argv[1] == 'local':
print 'Esecuzine in modalita local file'
sc = SparkContext('spark://192.168.2.11:7077','Test Local file')
rdd = sc.textFile('/root/test2')
else:
print 'Esecuzine in modalita hdfs'
sc = SparkContext('spark://192.168.2.11:7077','Test HDFS file')
rdd = sc.textFile('hdfs://192.168.2.11:9000/data/test2')
rdd1 = rdd.flatMap(lambda x: x.split(' ')).map(lambda x:(x,1)).reduceByKey(lambda x,y:x+y)
topFive = rdd1.takeOrdered(5,key=lambda x: -x[1])
print topFive
它可以依靠很多东西。你的集群有多大?你使用什么集群管理器?任何自定义设置?什么Spark版本?你能显示你的代码吗? – sgvd
我在问题的空间回答。 – arj