我如何在pyspark应用程序中维护临时字典？

Question

我想在pyspark应用程序中使用预训练嵌入模型（fasttext）。

因此，如果我广播文件（.bin），则抛出以下异常：Traceback（最近一次调用last）：

cPickle.PicklingError: Could not serialize broadcast: OverflowError: cannot serialize a string larger than 2 GiB

相反，我试图使用sc.addFile(modelpath)，其中modelpath=path/to/model.bin如下：

我创建了一个名为fasttextSpark.py的文件

import gensim
from gensim.models.fasttext import FastText as FT_gensim
# Load model (loads when this library is being imported)
model = FT_gensim.load_fasttext_format("/project/6008168/bib/wiki.en.bin")

# This is the function we use in UDF to predict the language of a given msg
def get_vector(msg):
    pred = model[msg]
    return pred

和testSubmit.sh：

#!/bin/bash
#SBATCH -N 2
#SBATCH -t 00:10:00
#SBATCH --mem 20000
#SBATCH --ntasks-per-node 1
#SBATCH --cpus-per-task 32
module load python/2.7.14
source "/project/6008168/bib/ENV2.7.14/bin/activate"
module load spark/2.3.0
spark-submit /project/6008168/bib/test.py

和test.py：

from __future__ import print_function
import sys
import time
import math
import csv
import datetime
import StringIO
import pyspark
import gensim
from operator import add
from pyspark.sql import *
from pyspark.sql import SparkSession
from pyspark import SparkContext, SparkConf
from gensim.models.fasttext import FastText as FT_gensim
appName = "bib"
modelpath = "/project/6008168/bib/wiki.en.bin"
conf = (SparkConf()
         .setAppName(appName)
         .set("spark.executor.memory", "12G")
         .set("spark.network.timeout", "800s")
         .set("spark.executor.heartbeatInterval", "20s")
         .set("spark.driver.maxResultSize", "12g")
         .set("spark.executor.instances", 2)
         .set("spark.executor.cores", 30)
         )
sc = SparkContext(conf = conf)
#model = FT_gensim.load_fasttext_format(modelpath)
sc.addFile(modelpath)
sc.addPyFile("/project/6008168/bib/fasttextSpark.py")

# Import our custom fastText language classifier lib
import fasttextSpark
print ("nights = ", fasttextSpark.get_vector("nights"))
print ("done")

现在，每个节点都将拥有预训练数据集的副本。有些单词不在词汇表中，所以每当我面对这样的单词时，我想为它创建一个随机但固定的向量，并将单词及其向量添加到字典中。

那么，我如何在每个节点中维护这样一个字典呢？

实际上，假设我的rdd跟随my_rdd =（id，sentence），我想通过总结其单词的向量来找到句子的嵌入向量。嵌入模型的加载次数。例如：

假设rdd=("id1", "motorcycle parts")，我的实现是否加载模型两次：一个用于摩托车，一个用于零件？如果是的话，我的方法是无效的？在这种情况下应该采用哪种最佳方法？

Answer 1

加载模块时，Python中的模块变量将被评估一次。因此，只要解释器​​保持活动状态，每个解释器就会加载一次变量并保持活动状态。

但是，Spark工作进程不共享内存，因此每个工作进程将有一个字典副本。如果您有广播变量，情况也是如此。

所以你现在的解决方案尽可能接近你想要的，而不使用低级原语（如内存映射）或外部存储。