我的数据以Python 3腌制文件集的形式提供。其中大多数是熊猫的序列化DataFrames。
DataFrames
我想开始使用Spark,因为我需要一台计算机可以拥有的更多内存和CPU。另外,我将使用HDFS进行分布式存储。
作为一个初学者,我没有找到解释如何将泡菜文件用作输入文件的相关信息。
是否存在?如果没有,是否有任何解决方法?
非常感谢
很大程度上取决于数据本身。一般来说,当必须读取较大的,不可拆分的文件时,Spark的性能不是特别好。不过,您可以尝试使用binaryFilesmethod并将其与标准Python工具结合使用。让我们从虚拟数据开始:
binaryFiles
import tempfile import pandas as pd import numpy as np outdir = tempfile.mkdtemp() for i in range(5): pd.DataFrame( np.random.randn(10, 2), columns=['foo', 'bar'] ).to_pickle(tempfile.mkstemp(dir=outdir)[1])
接下来,我们可以使用bianryFiles方法读取它:
bianryFiles
rdd = sc.binaryFiles(outdir)
并反序列化单个对象:
import pickle from io import BytesIO dfs = rdd.values().map(lambda p: pickle.load(BytesIO(p))) dfs.first()[:3] ## foo bar ## 0 -0.162584 -2.179106 ## 1 0.269399 -0.433037 ## 2 -0.295244 0.119195
一个重要的注意事项是,与诸如之类的简单方法相比,它通常需要更多的内存textFile。
textFile
另一种方法是仅并行化路径,并使用可以直接从诸如hdfs3之类的分布式文件系统读取的库。这通常意味着较低的内存需求,但代价是数据局部性会大大降低。
考虑到这两个事实,通常最好以可以加载更高粒度的格式序列化数据。
注意事项 :
SparkContext提供pickleFile方法,但名称可能会误导。它可以用来读取SequenceFiles包含腌制对象而不是普通的Python腌制。
SparkContext
pickleFile
SequenceFiles