如何提高写星火DataFrame到Redis的速度？

Question

我正在开发一个基于Flask的图书推荐API，我发现要管理多个请求，我需要预先计算相似度矩阵，并将其存储在某个地方以供将来查询。这个矩阵是使用PySpark基于大约150万个带有图书id、名称和元数据的数据库条目创建的，结果可以用这个模式来描述(i和j用于图书索引，dot用于它们的元数据的相似性)：

StructType(List(StructField(i,IntegerType,true),StructField(j,IntegerType,true),StructField(dot,DoubleType,true)))

最初，我打算使用spark-redis连接器将其存储在Redis上。然而，以下命令似乎以非常慢的速度工作(即使初始图书数据库查询大小被限制为非常适中的40k批处理)：

similarities.write.format("org.apache.spark.sql.redis").option("table", "similarities").option("key.column", "i").save()

在9个阶段中的3个阶段中，Spark将初始任务分成了3个阶段，大约花了6个小时。奇怪的是，Spark executors的存储内存使用率非常低，大约为20kb。典型的stage active stage由Spark Application UI描述：

org.apache.spark.sql.DataFrameWriter.save(DataFrameWriter.scala:271)
sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62)
sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
java.lang.reflect.Method.invoke(Method.java:498)
py4j.reflection.MethodInvoker.invoke(MethodInvoker.java:244)
py4j.reflection.ReflectionEngine.invoke(ReflectionEngine.java:357)
py4j.Gateway.invoke(Gateway.java:282)
py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:132)
py4j.commands.CallCommand.execute(CallCommand.java:79)
py4j.GatewayConnection.run(GatewayConnection.java:238)
java.lang.Thread.run(Thread.java:748)

有没有可能以某种方式加速这个过程？我的Spark会话是这样设置的：

SUBMIT_ARGS = "  --driver-memory 2G --executor-memory 2G --executor-cores 4 --packages mysql:mysql-connector-java:5.1.39 pyspark-shell"
os.environ["PYSPARK_SUBMIT_ARGS"] = SUBMIT_ARGS
conf = SparkConf().set("spark.jars", "spark-redis/target/spark-redis_2.11-2.4.3-SNAPSHOT-jar-with-dependencies.jar").set("spark.executor.memory", "4g")
sc = SparkContext('local','example', conf=conf) 
sql_sc = SQLContext(sc)

Answer 1

您可以尝试使用Append保存模式，以避免检查表中是否已存在数据：

similarities.write.format("org.apache.spark.sql.redis").option("table", "similarities").mode('append').option("key.column", "i").save()

此外，您可能想要更改

sc = SparkContext('local','example', conf=conf) 

至

sc = SparkContext('local[*]','example', conf=conf) 

来利用你机器上的所有内核。

顺便说一句，在Redis中使用i作为密钥是正确的吗？它不应该是i和j的组合吗