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

最新推荐文章于 2024-08-27 21:59:52 发布

2401_84181326

最新推荐文章于 2024-08-27 21:59:52 发布

阅读量336

点赞数 3

分类专栏：程序员文章标签：大数据面试学习

本文链接：https://blog.csdn.net/2401_84181326/article/details/138715791

版权

程序员专栏收录该内容

166 篇文章 0 订阅

订阅专栏

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

需要这份系统化资料的朋友，可以戳这里获取

│ └── part-00123-5114fd87-297e-42b0-9d11-50f1df323dfa-c000.snappy.parquet
└── laion2B-multi
├── part-00001-fc82da14-99c9-4ff6-ab6a-ac853ac82819-c000.snappy.parquet
├── part-00026-fc82da14-99c9-4ff6-ab6a-ac853ac82819-c000.snappy.parquet
├── part-00030-fc82da14-99c9-4ff6-ab6a-ac853ac82819-c000.snappy.parquet
├── part-00034-fc82da14-99c9-4ff6-ab6a-ac853ac82819-c000.snappy.parquet
└── part-00125-fc82da14-99c9-4ff6-ab6a-ac853ac82819-c000.snappy.parquet


### 三、 **Parquet元数据处理**


在官方下载parquet元数据时，发现以下几个小问题：


1. similarity、aesthetic\_score等指标分布在多个parquet文件中，字段分散、类型不统一，需要多次下载。使用时需要先关联组合查询，TB级的文件处理速度慢，需要高配置的服务器进行处理；
2. parquet文件中图片存储路径规则不明确，通过parquet过滤筛选图片时，无法关联下载图片的存储路径和其它字段
3. parquet文件中parquet\_id、hash等字段重复，影响图片的唯一索引
4. 通过url下载的图片格式未知（有webp、jpg、png、avif等多种格式），影响下载图片的预览和存储


为了满足不同场景的数据使用需求，保证图片唯一索引ID，我们对官方的parquet文件进行了关联合并、字段补充等操作，形成一张字段丰富的“宽表”，数据表结构与字段设计如下：



![](https://img-blog.csdnimg.cn/img_convert/03e239d5fcaa5b95559ac26ed4b5c8b4.png)



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**


* [https://huggingface.co/datasets/laion/laion2B-en]( )
* [https://huggingface.co/datasets/laion/laion2B-multi]( )
* [https://huggingface.co/datasets/laion/laion1B-nolang]( )


**2. Joined: with punsafe and pwatermark**


* [https://huggingface.co/datasets/laion/laion2B-en-joined]( )
* [https://huggingface.co/datasets/laion/laion2B-multi-joined]( )
* [https://huggingface.co/datasets/laion/laion1B-nolang-joined]( )


**3. Laion-aesthetic**


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


* [https://huggingface.co/datasets/laion/laion1B-nolang-aesthetic]( )
* [https://huggingface.co/datasets/laion/laion2B-en-aesthetic]( )
* [https://huggingface.co/datasets/laion/laion2B-multi-aesthetic]( )


### 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



![](https://img-blog.csdnimg.cn/img_convert/02658f1ea2721d4276ff637a5833c8b5.png)

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



![](https://img-blog.csdnimg.cn/img_convert/00634245fdd13b0a4943bb4aa601748f.jpeg)



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,