在Apache中尝试将Dataframe写入CSV时的不一致行为

Question

我正在尝试输出决策树分类器的最佳超参数，我使用星火的MLlib训练到一个csv文件，使用Dataframes和火花-csv。下面是我的代码片段：

// Split the data into training and test sets (10% held out for testing)
val Array(trainingData, testData) = assembledData.randomSplit(Array(0.9, 0.1))

// Define cross validation with a hyperparameter grid
val crossval = new CrossValidator()
    .setEstimator(classifier)
    .setEstimatorParamMaps(paramGrid)
    .setEvaluator(new BinaryClassificationEvaluator)
    .setNumFolds(10)

// Train model
val model = crossval.fit(trainingData)

// Find best hyperparameter combination and create an RDD 
val bestModel = model.bestModel
val hyperparamList = new ListBuffer[(String, String)]()
bestModel.extractParamMap().toSeq.foreach(pair => {
    val hyperparam: Tuple2[String,String] = (pair.param.name,pair.value.toString)
    hyperparamList += hyperparam
})
val hyperparameters = sqlContext.sparkContext.parallelize(hyperparamList.toSeq)

// Print the best hyperparameters 
println(bestModel.extractParamMap().toSeq.foreach(pair => {
    println(s"${pair.param.parent} ${pair.param.name}")
    println(pair.value)
}))

// Define csv path to output results
var csvPath: String  = "/root/results/decision-tree"
val hyperparametersPath: String = csvPath+"/hyperparameters"
val hyperparametersFile: File = new File(hyperparametersPath)
val results = (hyperparameters, hyperparametersPath, hyperparametersFile)

// Convert RDD to Dataframe and write it as csv 
val dfToSave = spark.createDataFrame(results._1.map(x => Row(x._1, x._2)))
dfToSave.write.format("csv").mode("overwrite").save(results._2)

// Stop spark session
spark.stop()

在完成一项星火任务后，我可以看到部分-00*.和路径中的_SUCCESS文件，如预期的那样。然而，尽管在这种情况下总共有13个超参数(通过在屏幕上打印来确认)，但cat-ing csv文件显示并非每个超参数都被写入csv：

user@master:~$ cat /root/results/decision-tree/hyperparameters/part*.csv
checkpointInterval,10
featuresCol,features
maxDepth,5
minInstancesPerNode,1

此外，在每次执行中都会得到书面更改的超参数。这是在一个基于HDFS的星火集群上执行的，其中有一个主服务器和3个拥有完全相同硬件的工作人员。会不会是比赛条件？如果是的话，我该如何解决呢？

提前谢谢。

Answer 1

我想我想明白了。我希望dfTosave.write.format("csv")save(path)将所有内容写入主节点，但是由于任务是分发给所有工作人员的，所以每个工作人员都将其部分的超参数保存到其文件系统中的本地CSV。因为在我的示例中，主节点也是一个工作节点，所以我可以看到它在超参数中的一部分。“不一致行为”(即在每次执行中看到不同的部分)是由Spark用于在工作人员之间分配分区的任何算法造成的。

我的解决方案将是从所有员工那里收集CSV，使用像scp或rsync这样的工具来构建完整的结果。