我有一个Spark集群和一个同样的机器上的Hdfs。
我已经将单个文本文件(大小约为3GB)复制到每个机器的本地文件系统和hdfs分布式文件系统中。
我有一个简单的word count pyspark程序。
如果我从本地文件系统提交读取文件的程序,它需要大约33秒时间。 如果我从hdfs提交读取文件的程序,它需要大约46秒时间。
为什么? 我预期结果恰恰相反。
在sgvd的请求之后添加:
16个从节点1个主节点
Spark独立模式,没有特殊设置(副本因子3)
版本1.5.2
我有一个简单的word count pyspark程序。
如果我从本地文件系统提交读取文件的程序,它需要大约33秒时间。 如果我从hdfs提交读取文件的程序,它需要大约46秒时间。
为什么? 我预期结果恰恰相反。
在sgvd的请求之后添加:
16个从节点1个主节点
Spark独立模式,没有特殊设置(副本因子3)
版本1.5.2
import sys
sys.path.insert(0, '/usr/local/spark/python/')
sys.path.insert(0, '/usr/local/spark/python/lib/py4j-0.8.2.1-src.zip')
import os
os.environ['SPARK_HOME']='/usr/local/spark'
os.environ['JAVA_HOME']='/usr/local/java'
from pyspark import SparkContext
#conf = pyspark.SparkConf().set<conf settings>
if sys.argv[1] == 'local':
print 'Esecuzine in modalita local file'
sc = SparkContext('spark://192.168.2.11:7077','Test Local file')
rdd = sc.textFile('/root/test2')
else:
print 'Esecuzine in modalita hdfs'
sc = SparkContext('spark://192.168.2.11:7077','Test HDFS file')
rdd = sc.textFile('hdfs://192.168.2.11:9000/data/test2')
rdd1 = rdd.flatMap(lambda x: x.split(' ')).map(lambda x:(x,1)).reduceByKey(lambda x,y:x+y)
topFive = rdd1.takeOrdered(5,key=lambda x: -x[1])
print topFive