基于PySpark的10亿级数据集LAION-5B元数据快速处理实践（全文分享）_laion-5b license

2301_78399616

于 2024-04-18 04:50:01 发布

阅读量853

点赞数 14

分类专栏： 2024年程序员学习文章标签： java 开发语言

本文链接：https://blog.csdn.net/2301_78399616/article/details/137899104

版权

2024年程序员学习专栏收录该内容

113 篇文章 0 订阅

订阅专栏

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新大数据全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip204888 （备注大数据）

正文

上表中，最后一列是parquet文件来源，表示字段对应的parquet文件。这里使用了官方的3处parquet文件，数据预览、下载链接如下：

1. 初始Laion5B

2. Joined: with punsafe and pwatermark

3. Laion-aesthetic

Laion aesthetic is a laion5B subset with aesthetic > 7 pwatermark < 0.8 punsafe < 0.5 See

四、处理流程及步骤

下面聊聊“宽表”的加工处理过程，有需求的同事可参考对官方的原始parquet进行处理。嫌麻烦的同学，可以交给opendatalab，在网站下载处理好的parquet文件。（https://opendatalab.com/LAION-5B）

因为parquet文件数据量较大，有几个TB，这里我们使用了大数据集群进行了分布式处理。

● 使用的技术栈有：

Spark/Hadooop/Hive/HDFS/Impala

● 集群硬件配置：

服务器3台，48core Cpu, 750GB Memory, 4TB Hard disk

● 数据处理过程和流程图如下：

数据输入：

下载官网parquet文件，并load到Hive表
解析下载的图片，判断图片类型，形成id, image_path, image_suffix的映射文件

数据处理：

读取Hive表数据，通过PySpark对Hive表的数据进行分布式join关联操作

数据输出：

Hive结果表导出为parquet格式文件，并上传至OSS/Ceph存储

为了方便数据处理，这里对数据表进行简单的分层：

**- ODS层：**原始parquet文件load Hive后的结构化数据表，其中表2是对表1字段进行了裁减，表3是下载图片相关的信息。因为官方parquet文件只提供了下载url链接，我们并不知道图片类型和后缀，所以对下载的图片文件进行程序判定，识别出图片类型，对应image_suffix字段，image_path是图片的存储路径。

**- DMD层：**通过对表2、3、4进行join关联操作，生成中间表6

**- DMS层：**将中间表6与含有punsafe、pwatermark信息的表5进行关联，得到最后的结果表7

数据处理操作和代码示例如下：

4-1. Data load

主要操作是将parquet文件load到Hive表，load操作完成后，得到图中的1、3、4、5四张Hive表。

以初始parquet文件load为例，示例代码如下。

import os
from pyspark.sql import HiveContext, SQLContext
from pyspark.sql.functions import lit, input_file_name
from pyspark.sql.functions import col, udf
from pyspark.sql.types import StringType, LongType
import mmh3


sc = spark.sparkContext
sql_context = SQLContext(sc)

# 通过url/text计算hash值 
def compute_hash(url, text):
    if url is None:
        url = ''

    if text is None:
        text = ''

    total = (url + text).encode("utf-8")
    return mmh3.hash64(total)[0]

# 注册spark udf
udf_compute_hash = udf(compute_hash, LongType())

# 提取input_file_name路径中的文件名称
def path_proc(file_path):
    return str(file_path).split("/")[-1]

udf_path_proc = udf(path_proc)

# 因数据总量较大，这里按子集分批读取
parquet_path = "/nvme/datasets/laion5b/parquet/laion2B-en"
# parquet_path = "/nvme/datasets/laion5b/parquet/laion2B-multi"
# parquet_path = "/nvme/datasets/laion5b/parquet/laion2B-nolang"

# Hive一级分区名称
head_tail = os.path.split(parquet_path)
partition_name = head_tail[1]

parquet_df =  spark.read.parquet(f"file://{parquet_path}/*.parquet")
parquet_df = parquet_df.withColumn("file_name", input_file_name())
parquet_df = parquet_df.withColumn("hash", udf_compute_hash(parquet_df["URL"], parquet_df["TEXT"]))
parquet_df = parquet_df.withColumn("dir_name",  lit(f"{partition_name}"))
parquet_df = parquet_df.withColumn("file_name", udf_path_proc(parquet_df["file_name"]))

# 自定义视图名称，并注册视图
view_name = 'parquet_view'
parquet_df.createOrReplaceTempView(f"{view_name}")

# 数据写入Hive分区表，一级分区名称dir_name，二级分区名称file_name
sql_context.sql(f"insert overwrite table laion5b.parquet_view partition(dir_name='{partition_name}', file_name) select SAMPLE_ID,URL,TEXT,HEIGHT,WIDTH, LICENSE,NSFW,similarity,`hash`, file_name from {view_name}")

4-2. Data processing

数据处理过程主要包括数据表裁减、hash join操作。

因为表1的数据量较大，存在字段冗余，这里对表1的部分字段进行裁减得到表2。表2、3、4的join代码如下，先将图片的sample_id、licenese、nsfw、image_suffix、aesthetic_score字段，按hash值进行关联，合并成一张表。因为需要使用file_name作为Hive表二级动态分区，也避免大量数据join导致OOM，这里按dir_name分别进行join操作，不同的分区修改对应的dir_name即可。

join_sql = """
insert overwrite table laion5b.dmd_image_path_suffix_aesthetics_join_view PARTITION (dir_name = 'laion2B-en', file_name)
select A.sample_id,
    A.`hash`,
    B.image_path,
    B.image_suffix,
    A.license,
    A.nsfw,
    C.aesthetic_score,
    A.file_name
from laion5b.ods_parquet_short_view A
    left join laion5b.ods_image_path_view B on A.`hash` = B.`hash`
    and B.dir_name = 'laion2B-en'
    left join laion5b.ods_improved_aesthetics_parquet_view C on A.`hash` = C.`hash`
where A.dir_name = 'laion2B-en'
"""

join_df = sqlContext.sql(join_sql)

表5与表6通过hash字段进行join，得到result结果表7。

sc = spark.sparkContext
sqlContext = SQLContext(sc)

join_sql = """
insert overwrite table laion5b.dms_parquet_result_view PARTITION (dir_name = 'laion2B-en', file_name)
select B.id, B.sample_id, A.url, A.text, A.width, A.height, 
    A.similarity, A.`hash`, A.punsafe, A.pwatermark,
    if(B.image_suffix is null or B.image_suffix = 'jpg', B.image_path, 
    regexp_replace(B.image_path, right(B.image_path, 3), B.image_suffix)) as image_path,
    B.image_suffix, B.LICENSE, B.NSFW, B.aesthetic_score, A.language, B.file_name
from laion5b.ods_joined_parquet_view A
    left join (
        select id, sample_id, image_path, image_suffix, LICENSE, 
            NSFW, aesthetic_score, `hash`, dir_name, file_name, 
            ROW_NUMBER() OVER (PARTITION BY `hash` order by `hash`) as rn
        from laion5b.dmd_image_path_suffix_aesthetics_join_view
        where dir_name = 'laion2B-en'
    ) B on A.dir_name = B.dir_name
    and A.`hash` = B.`hash`
    and B.rn = 1
where A.dir_name = 'laion2B-en'
"""

join_df = sqlContext.sql(join_sql)

4-3.Data write

最后将Hive结果表导出为snappy压缩格式的parquet文件，再上传到对象存储就可以使用了。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip204888 （备注大数据）

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip204888 （备注大数据）
[外链图片转存中…(img-ShiMC4Lt-1713386929736)]

2301_78399616

关注

14
点赞
踩
11

收藏

觉得还不错? 一键收藏
0
评论
基于PySpark的10亿级数据集LAION-5B元数据快速处理实践（全文分享）_laion-5b license

表2、3、4的join代码如下，先将图片的sample_id、licenese、nsfw、image_suffix、aesthetic_score字段，按hash值进行关联，合并成一张表。因为官方parquet文件只提供了下载url链接，我们并不知道图片类型和后缀，所以对下载的图片文件进行程序判定，识别出图片类型，对应image_suffix字段，image_path是图片的存储路径。主要操作是将parquet文件load到Hive表，load操作完成后，得到图中的1、3、4、5四张Hive表。
复制链接

扫一扫