为什么 apache spark 中的这两个阶段计算的是同一件事？

Question

我是 spark 的新手，我有两个很长的运行阶段，它们在做几乎相同的事情。下面是我的伪代码。

var metaData = sqlContext.read
  .format("com.databricks.spark.csv")
  .option("header", "true") 
  .option("inferSchema", "true") 
  .load(csvFile)

val met = broadcast(metaData.dropDuplicates(Seq("col1")))


val accessLogs = sc.textFile(logFile).filter(line => regex.pattern.matcher(line).matches).map(line => LogParser.parseLogLine(line)).toDF()




val joinOutput = accessLogs.join(met,accessLogs("col1") === met("col1"),"left_outer")

val uniqueDfNames2 = Seq("col0", "col1", "col2", "col3","col4")
val sparseFilter = joinOutput
                    .filter(joinOutput.col("col1").isNotNull)
                    .filter(joinOutput.col("col2").isNotNull)
                    .flatMap(row=>ListParser.parseLogLine(row))
sparseFilter.cache()

val uniqueCount = sparseFilter
                    .filter{r=>r.col0 != null && r.col0 != "" }
                    .map{
                          case(KeyValParse(col0,col1,col2,col3,col4,col5))=>((col0,col1,col2,col3,col4,col5),1)
                        }
                    .distinct().cache()
                    .map {case ((col0,col1,col2,col3,col4),count) => ((col0,col1,col2,col3,col4),1)
                    }
                    .reduceByKey(_+_)
                    .map {case ((col0,col1,col2,col3,col4),count) => (col0,col1,col2,col3,col4,count)
                    }
                    .toDF(uniqueDfNames: _*).cache()

val totalCount = sparseFilter
                  .map{
                        case(Parse(col0,col1,col2,col3,col4,col5))=>((col0,col1,col2,col3,col4),1)
                      }
                  .reduceByKey(_+_)
                  .map{
                        case ((col0,col1,col2,col3,col4),totcount) => (col0,col1,col2,col3,col4,totcount)
                      }
                  .toDF(uniqueDfNames2: _*)
                  .join(uniqueCount,Seq("col0", "col1", "col2", "col3"),"left")
                  .select($"col0",$"col1",$"col2",$"col3",$"unicount",$"totcount")
                  .orderBy($"unicount".desc)
                  .toDF(totalDfNames: _*)

totalCount
  .select("*")
  .write
  .format("com.databricks.spark.csv")
  .option("header", "true")
  .option("delimiter", "|")
  .save(countPath)

我在这里要做的是根据一些参数从日志中生成唯一和总计数。

一切正常，但有两个长运行阶段共享几乎相同的 DAG。

下面是两个阶段的镜头。

请查看下面给出的两个阶段的屏幕截图。

直到平面图任务，他们都做同样的事情。为什么这些不合并为一个阶段？为什么第 11 阶段 re-read 再次文件并再次进行所有计算是我无法猜测的？

对于具有 10 个执行程序（7 个内核，15Gb RAM）的 20Gb 数据，它需要将近 30 分钟才能完成，但我觉得这可以减少到相当短的时间。

如有任何指导，我们将不胜感激。

PS:- 对不起我的图片编辑技巧:)

Answer 1

RDD 在操作中第一次计算时被缓存。您代码中的第一个操作是 "distinct"，即缓存 "sparseFilter" RDD 时。所以第一个缓存操作可能对后续阶段没有用。第一阶段的输出是一个不同的 RDD，但稍后您指的是 sparseFilter。所以Spark不得不重新计算RDD。

我认为逻辑可以稍微改变一下。如果我理解正确的话，对于 totalCount 和 uniqueCount，代码使用相同的列集（col0、col1、col2、col3、col4）。那么在totalCount的计算中，在reduceByKey之后，简单的count应该给uniqueCount吧？可以通过这种方式避免额外的 distinct、reduceByKey、join 等。

为什么 apache spark 中的这两个阶段计算的是同一件事？

Why those two stages in apache spark are computing same thing?

hadoop

scala

apache-spark

apache-spark-sql

spark-dataframe