PySpark (Python)：通过 SparkContext.newAPIHadoopFile 加载多行记录答案

【问题标题】：PySpark (Python): loading multiline records via SparkContext.newAPIHadoopFilePySpark (Python)：通过 SparkContext.newAPIHadoopFile 加载多行记录
【发布时间】：2016-07-02 15:55:09
【问题描述】：

我正在加载一个文本文件，它采用 TSV（表格分隔值）表示法，但每行中没有键。因此，一行表示一个特定的变量，随后的所有行都是该变量的值，直到出现新变量。

因此，我使用自定义分隔符加载文件（在 Jupyter Notebook Python 2.7 - Pyspark 中）：

sheet = sc.newAPIHadoopFile(
    'sample.txt',
    'org.apache.hadoop.mapreduce.lib.input.TextInputFormat',
    'org.apache.hadoop.io.LongWritable',
    'org.apache.hadoop.io.Text',
    conf={'textinputformat.record.delimiter': 'var::'}
)

我的问题是，这样的多行记录的大小如何？一个变量的值可能是数千行。 Spark 是在一台机器上一次加载文件还是将该块拆分为较小的块（块）然后进行处理？

只是想确保内存没有在处理节点上爆炸。感谢您的任何解释。

【问题讨论】：

标签： python hadoop pyspark hdfs

【解决方案1】：

o.a.h.mapreduce.lib.input.TextInputFormat 返回的每个 (key, value) 对都是包含偏移量 (long) 和字符串的单个本地数据结构。没有机制可以在不创建自定义 Hadoop InputFormat 的情况下在多个记录之间拆分值。

“千行”不是很精确的描述，但作为一个经验法则：

如果磁盘上的大小小于几兆字节，那么您很可能会这样做。
否则您将不得不跟踪内存使用情况和 GC 并调整配置。

还请记住，大型记录可能会导致资源利用率不佳。在最坏的情况下，您最终可能会得到每个任务的单个记录，其中记账成本可能远高于实际执行成本。

【讨论】：

一个 170MB 的文件包含 50 条以“时间”开头的多行记录，总共 5.252.874 行。因此，一条记录大约有 106.000 行。将其作为单个块阅读可能不是一个好主意。另一种选择可能是读取所有文件并记住“时间”发生的行号，然后使用该信息重新读取文件以构造键-时间戳-值三元组。
和以前一样的应用吗？
确实如此。但我正在用一个小样本进行测试。每个文件的真实数据约为 70 到 170MB。
这应该不是什么大问题。它给出了什么？每条记录 3.5MB？稍大但没什么特别的。
我会在星期一检查一下，然后通知你。其他选项可能是上面提到的选项，将“时间”的出现保存在全局变量中并在重新读取时使用它。或者写一个自己的converter as mentioned here。但确实，3.5MB 应该没问题。