脚本 foreach_Sparklyr 1.2支持foreach函数了

刚才在R-blogger上才看到这篇文章，垂死病中惊坐起，马上来试试。

---

众所周知，foreach常见于R里头的并行程序，我之前也写过相关的文章。

微笑牛油果：R语言多文件合并统计：foreach的高级用法​zhuanlan.zhihu.com

这次就按照上面文章中的用法来测试spark集群的foreach。

p. s. 虽然说是集群，但我只有一个服务器，当做单机测试看看就行。

首先在R里头读入要合并的文件位置，然后看下内容：

> a<-list.files('/home/testfiles',
+               recursive = T, full.names = T, pattern = '.csv')[1:5]
> fread(a[1], nrows = 5)
         V1 V2     V3     V4 V5   V6        V7         V8       V9
1: 12123.31  9 350000 350700 NA 1132 1.6174643 0.53193917 5.893926
2: 12172.31 19 310000 310115  6 1141 1.3583580 0.18948141 4.310760
3: 12173.31 19 310000 310115  6 1141 0.5696340 0.07945995 1.807738
4: 12173.31 19 310000 310115  6 1141 0.3696276 0.06254695 1.253260
5: 12173.31 19 310000 310115  6 1141 1.1088829 0.18764085 3.759780
           V10       V11
1: 0.056843234  222.0000
2: 0.029994972 1151.2273
3: 0.012578537  482.7727
4: 0.008010572  318.2500
5: 0.024031717  954.7500 
> nrow(fread(a[1]))
[1] 8741292

这次只抓5个文件来测试，对这些文件合并统计，以V3来分组统计V9及V10的总和，写一个自定义的合并函数：

> bind_fun<-function(...){
+   data<-rbind(...)[,.(V9 = sum(V9, na.rm = T),
+                       V10 = sum(V10, na.rm = T)),
+                    by = c('V3')]
+ }

按照blog的方法，注册spark app，注册并行后端，开始跑foreach：

> conf <- spark_config()
> conf$spark.executor.memory <- "28GB"
> conf$spark.memory.fraction <- 0.9
> conf$spark.executor.cores <- 4
> conf$spark.cores.max<-8  
> conf$spark.dynamicAllocation.enabled <- "false"
> 
> sc <- spark_connect(master="spark://127.0.1.7:7077", 
+                     version = "2.3.2",
+                     config = conf,
+                     spark_home = "/home/spark-2.3.2-bin-hadoop2.7/")
> 
> registerDoSpark(sc, nocompile = F)
> 
> raw<-foreach(i = a,
+              .packages = c('data.table','dplyr','stringr'),
+              .inorder = F,
+              .combine = 'bind_fun',
+              .multicombine = T,
+              .maxcombine = 3) %dopar% {
+                data<-fread(i)[,.(V9 = sum(V9, na.rm = T),
+                                 V10 = sum(V10, na.rm = T)),
+                              by = c('V3')]
+                return(data)
+              }

注册后端的函数目前只有nocompile ，就这个案例来看，设置为T或F，运行时间差不多都是1.2m。

再来看看FORK的并行：

> cl<-makeCluster(8, type = 'FORK')
> registerDoParallel(cl)
> 
> system.time({
+   raw<-foreach(i = a,
+                .packages = c('data.table','dplyr','stringr'),
+                .inorder = F,
+                .combine = 'bind_fun',
+                .multicombine = T,
+                .maxcombine = 3) %dopar% {
+                  data<-fread(i)[,.(V9 = sum(V9, na.rm = T),
+                                    V10 = sum(V10, na.rm = T)),
+                                 by = c('V3')]
+                  return(data)
+                }
+ })
   user  system elapsed 
  0.013   0.024  11.699 
> 
> stopCluster(cl)
> stopImplicitCluster()

用时12秒，这就很尴尬了。

其实从job的log不难看出这个案例里spark跑foreach慢的原因：

出现了好几次collect。看起来spark跑foreach程序不适合用来读写数据。

---

最后分享一下单机standalone模式下一个有效利用CPU资源跑循环的方法。一般来说，Standalone模式可以在一台机子上配置多个worker。Standalone的设置可以参考我之前的文章。比方说这是我机子上worker的配置：

手动码一下ip

但实际运行中，在程序各阶段不是所有worker都在工作，这就造成CPU资源闲置。因此我们可以通过后台运行方式来申请多个app，最大限度的压榨每个work的资源。

我们先准备nohup要调用的脚本：

library(sparklyr)
library(data.table)

conf <- spark_config()
conf$spark.executor.memory <- "28GB"
conf$spark.memory.fraction <- 0.9
conf$spark.executor.cores <- 4
conf$spark.cores.max<-8  
conf$spark.dynamicAllocation.enabled <- "false"
#conf$spark.shuffle.service.enabled<-'true'

sc <- spark_connect(master="spark://127.0.1.7:7077", 
                    version = "2.3.2",
                    config = conf,
                    spark_home = "/home/spark-2.3.2-bin-hadoop2.7/")

<你的代码>

将上面的代码存成脚本，放在工作目录下，比方说/home/script.R

解释一下，spark.executor.cores设置为4，因为我的worker的cores也是4spark.cores.max设置为8，则这个app（就是下面的sc）最多用到8个cores。

因此，我们nohup执行script.R之后，worker的状态会显示：

App栏则会出现：

可以看到，只有2个worker的cores被调用。然后我们按照同样的方法再nohup一次刚才的脚本，新的app就注册上了：

查看app工作的端口是按照注册顺序来编号的，第一个app就是localip:4040，第二个就是localip:4041，以此类推。