Pyspark错误Java堆空间错误

我是新来激发使用星火1.6.1与两名工人各有内存1GB和分配5芯，运行在一个33MB文件的代码。Pyspark错误Java堆空间错误

此代码用于在火花中索引单词。

from textblob import TextBlob as tb 
from textblob_aptagger import PerceptronTagger 
import numpy as np 
import nltk.data 
import Constants 
from pyspark import SparkContext,SparkConf 
import nltk 

TOKENIZER = nltk.data.load('tokenizers/punkt/english.pickle') 

def word_tokenize(x): 
    return nltk.word_tokenize(x) 

def pos_tag (s): 
    global TAGGER 
    return TAGGER.tag(s) 

def wrap_words (pair): 
    ''' associable each word with index ''' 
    index = pair[0] 
    result = [] 
    for word, tag in pair[1]: 
    word = word.lower() 
    result.append({ "index": index, "word": word, "tag": tag}) 
    index += 1 
    return result 

if __name__ == '__main__': 

    conf = SparkConf().setMaster(Constants.MASTER_URL).setAppName(Constants.APP_NAME) 
    sc = SparkContext(conf=conf) 
    data = sc.textFile(Constants.FILE_PATH) 

    sent = data.flatMap(word_tokenize).map(pos_tag).map(lambda x: x[0]).glom() 
    num_partition = sent.getNumPartitions() 
    base = list(np.cumsum(np.array(sent.map(len).collect()))) 
    base.insert(0, 0) 
    base.pop() 
    RDD = sc.parallelize(base,num_partition) 
    tagged_doc = RDD.zip(sent).map(wrap_words).cache()

对于较小的文件< 25MB的代码工作正常，但给错误的文件，其尺寸较大的是25MB。
帮我解决这个问题或提供替代这个问题？

来源

2016-08-24 arjun045

这是因为.collect（）。当你将rdd转换成经典的python变量（或np.array）时，你会失去所有的东西，所有的数据都被收集在同一个地方。

来源

2016-08-24 13:21:50 marmouset

你能否提出一个替代解决方案呢？ – arjun045

你会解释你在做什么，这是一个不同的问题。无论如何，如果你使用spark，collect只是为了调试，坚持rdd操作。有很多方法可以在pyspark中写出累计总和，如果你在某个地方停留一段时间后再进行一些讨论，然后再进行一些研究。 – marmouset

Pyspark错误Java堆空间错误

回答

相关问题