#dask #dask-distributed #dask-delayed #dask-dataframe
#dask #распределенный dask #dask-отложенный #dask-фрейм данных
Вопрос:
Запуск планировщика Dask на узле 1 (4CPU, 8 ГБ):
Планировщик Dask: dask-scheduler --host 0.0.0.0 --port 8786
Запуск рабочих узлов на Node2 (8CPU, 32 ГБ) и Node3 (8CPU, 32 ГБ): рабочий Dask:
dask-worker tcp://http://xxx.xxx.xxx.xxx:8786 --nanny-port 3000:3004 --worker-port 3100:3104 --dashboard-address :8789
Вот мой прототип, отредактированный some_private_processing
и some_processing
методы:
import glob
import pandas as pd
from dask.distributed import Client
N_CORES = 16
THREADS_PER_WORKER = 2
dask_cluster = Client(
'127.0.0.1:8786'
)
def get_clean_str1(str1):
ret_tuple = None, False, True, None, False
if not str1:
return ret_tuple
if string_validators(str1) is not True:
return ret_tuple
data = some_processing(str1)
match_flag = False
if str1 == data.get('formated_str1'):
match_flag = True
private_data = some_private_processing(str1)
private_match_flag = False
if str1 == private_data.get('formated_private_str1'):
private_match_flag = True
ret_tuple = str1, match_flag, False, private_str1, private_match_flag
return ret_tuple
files = [
'part-00000-abcd.gz.parquet',
'part-00001-abcd.gz.parquet',
'part-00002-abcd.gz.parquet',
]
print('Starting...')
for idx, each_file in enumerate(files):
dask_cluster.restart()
print(f'Processing file {idx}: {each_file}')
all_str1s_df = pd.read_parquet(
each_file,
engine='pyarrow'
)
print(f'Read file {idx}: {each_file}')
all_str1s_df = dd.from_pandas(all_str1s_df, npartitions=16000)
print(f'Starting file processing {idx}: {each_file}')
str1_res_tuple = all_str1s_df.map_partitions(
lambda part: part.apply(
lambda x: get_clean_str1(x['str1']),
axis=1
),
meta=tuple
)
(clean_str1,
match_flag,
bad_str1_flag,
private_str1,
private_match_flag) = zip(*str1_res_tuple)
all_str1s_df = all_str1s_df.assign(
clean_str1=pd.Series(clean_str1)
)
all_str1s_df = all_str1s_df.assign(
match_flag=pd.Series(match_flag)
)
all_str1s_df = all_str1s_df.assign(
bad_str1_flag=pd.Series(bad_str1_flag)
)
all_str1s_df = all_str1s_df.assign(
private_str1=pd.Series(private_str1)
)
all_str1s_df = all_str1s_df.assign(
private_match_flag=pd.Series(private_match_flag)
)
all_str1s_df = all_str1s_df[
all_str1s_df['match_flag'] == False
]
all_str1s_df = all_str1s_df.repartition(npartitions=200)
all_str1s_df.to_csv(
f'results-str1s-{idx}-*.csv'
)
print(f'Finished file {idx}: {each_file}')
Эта обработка занимает более 8 часов, и я вижу, что все данные обрабатываются только на одном узле либо на Node2, либо на Node3, но не на обоих Node2 и Node3.
Нужна помощь, чтобы понять идеи и понять, где я делаю неправильно, чтобы это простое преобразование данных выполнялось более 8 часов и все еще не завершено.
Ответ №1:
Увеличенные тайм-ауты, увеличенная память. После этого он начал работать без сбоев и зависаний.
timeouts:
connect: 180s # time before connecting fails
tcp: 180s # time before calling an unresponsive connection dead