如何通过 pyspark/hadoop/etc 提高程序的速度？

Question

我有一个大型矩阵的大型目录，我正在对这些矩阵应用一些昂贵的操作。管道如下所示：

Directory -> extract matrices -> apply operations -> save in a .csv file

请注意，我将之前的“管道”包装到了一个函数中。到目前为止，使用 python 的多处理库，我能够在 1 周内应用之前的管道。但是，我很好奇是否有可能以 spark map-reduce 的方式“并行化”前一个函数。因此，我的任务可以用 pysparks map reduce 增强吗？如何提高速度？ （我只有两台笔记本电脑），你们建议我在不修改功能的情况下提高管道速度的其他方法？

Answer 1

我认为最简单的方法是在更大的计算机上运行。 Spark 和 Map-Reduce 并不是真正为笔记本电脑设计的，它们是为服务器设计的。您可以租用服务器（AWS、Google Compute Engine）并在具有更多内存（我建议至少 32GB，理想情况下为 64GB 或更高）和更多 CPU 内核（4 个或更多）的大型服务器上运行您的管道。在实际租用服务器之前，您始终可以在免费层级（AWS 和 Google 都有免费层级）上模拟您的测试。在那之后，你向它扔更多的服务器。

https://aws.amazon.com/ec2/pricing/on-demand/ 和 https://cloud.google.com/compute/pricing 有定价细节，但你会惊讶于你能以低于 2 美元/小时的价格买到什么。