检查RDD中是否存在值

Question

我已经在python中编写了可以正常运行的Spark程序。

但是，它在内存消耗方面效率很低，我正在尝试对其进行优化。 我在AWS EMR上运行它，而EMR由于消耗太多内存而终止了这项工作。

 Lost executor 11 on ip-*****: Container killed by YARN for exceeding memory limits. 11.4 GB of 10.4 GB physical memory used. Consider boosting spark.yarn.executor.memoryOverhead.

我认为此内存问题是由于我在多个实例中收集我的RDD（即使用.collect（））而导致的，因为在以后的阶段中，我需要测试由这些RDD组成的列表中是否存在某些值。

因此，当前我的代码如下所示：

myrdd = data.map(lambda word: (word,1))     \
       .reduceByKey(lambda a,b: a+b)   \
       .filter(lambda (a, b): b >= 5) \
       .map(lambda (a,b) : a)          \
       .collect()

稍后在代码中

if word in myrdd:
    mylist.append(word)

myrdd2 = data2.map(lambda word: (word,1))     \
       .reduceByKey(lambda a,b: a+b)   \
       .filter(lambda (a, b): b >= 5) \
       .map(lambda (a,b) : a)          \
       .collect()

if word in myrdd2:
    mylist2.append(word)

然后我要重复多次这种模式。

有没有办法做手术

if word in myrdd: 
    do something

没有先收集rdd？

是否有类似rdd.contains（）的函数？

PS：我没有在内存中缓存任何内容。 我的火花上下文如下所示：

jobName = "wordcount"
sc = SparkContext(appName = jobName)

......
......

sc.stop()

Answer 1

来自YARN的错误消息指出， collect不是问题，因为您的执行者（而不是驱动程序）存在内存问题。

首先，尝试遵循错误消息建议并提高spark.yarn.executor.memoryOverhead在YARN上运行pyspark时，您可以告诉YARN为python worker进程分配更大的容器。

接下来，查看执行程序需要大量内存的操作。 您可以使用reduceByKey ，也许您可​​以增加分区数以使它们的使用内存更小。 查看numPartitions参数： http : numPartitions

最后，如果要检查rdd是否包含某个值，则只需按此值过滤并使用count或first进行检查，例如：

looking_for = "....."
contains = rdd.filter(lambda a: a == looking_for).count() > 0