Блог

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.

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