时间戳

首页 > 解决方案 > 尝试在 Apache Spark 中将 Dataframe 写入 CSV 时出现不一致的行为

csv - 尝试在 Apache Spark 中将 Dataframe 写入 CSV 时出现不一致的行为

问题描述

我正在尝试将使用 Spark 的 MLlib 训练的决策树分类器的最佳超参数输出到使用 Dataframes 和 spark-csv 的 csv 文件。这是我的代码片段：

// 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()

完成 Spark 作业后，我可以按预期在路径中看到 part-00*... 和 _SUCCESS 文件。然而，虽然在这种情况下总共有 13 个超参数（通过在屏幕上打印它们来确认），cat但 csv 文件显示并非每个超参数都写入了 csv：

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

此外，在每次执行中写入的超参数都会发生变化。这是在一个基于 HDFS 的 Spark 集群上执行的，该集群有 1 个 master 和 3 个具有完全相同硬件的 worker。会不会是比赛条件？如果是这样，我该如何解决？

提前致谢。

标签： csvapache-sparkapache-spark-sqlapache-spark-mllibspark-csv

解决方案

我想我想通了。我希望dfTosave.write.format("csv")save(path)将所有内容都写入主节点，但由于任务分配给所有工作人员，因此每个工作人员将其部分超参数保存到其文件系统中的本地 CSV。因为在我的例子中，主节点也是一个工作节点，我可以看到它的超参数部分。“不一致的行为”（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引起的。

我的解决方案是使用类似scp或rsync构建完整结果的方法从所有工作人员那里收集 CSV。

推荐阅读