Apache Spark + Arrow
1 like1,253 views
A slide for Apache Arrow Meetup Tokyo 2019: https://speee.connpass.com/event/152887/
![• @pandas_udfアノテーション（v2.3+）を使い、Pandasを⽤い
て書かれたコードをSparkで分散処理
– 処理データの増⼤に対して既存コードを流⽤
– 複雑な処理をPandasのコードとして切り出してテストを容易化
5
Use Case: Distribute&Run Your Pandas Code
>>> @pandas_udf(‘double’)
. . . defpandas_mean_diff(pdf):
. . . return pdf - pdf.mean()
>>> sdf.select(pandas_mean_diff(sdf[‘v’])).show()
pdf:
sdf:
Pandas DataFrame
Spark DataFrame](https://image.slidesharecdn.com/20191211arrowmeetuptokyo-191211081203/85/Apache-Spark-Arrow-5-320.jpg){kind=icon}
![• 上記の組み合わせで@pandas_udf の処理がエラーで停⽌
– 原因: v0.15.0からIPCで使⽤するバイナリフォーマットが変更
• Apache Arrow 0.15.0 Release:
https://arrow.apache.org/blog/2019/10/06/0.15.0-release/
– 解決策: ARROW_PRE_0_15_IPC_FORMAT=1を設定することでv0.14.0まで
のIPCのバイナリフォーマットに変更可能
11
Notice: PySpark + PyArrow v0.15.0+ Issue
# Run the code as shown in p5 with PyArrow v0.15.1
>>> sdf.select(pandas_mean_diff(sdf[‘v’])).show()
java.lang.IllegalArgumentException at
java.nio.ByteBuffer.allocate(ByteBuffer.java:334)
at o.a.arrow.vector.ipc.message.MessageSerializer.readMessage
(MessageSerializer.java:543) at
o.a.arrow.vector.ipc.message.MessageChannelReader.readNext
(MessageChannelReader.java:58)
at org.apache.arrow.vector.ipc.ArrowStreamReader.readSchema
(ArrowStreamReader.java:132)
...](https://image.slidesharecdn.com/20191211arrowmeetuptokyo-191211081203/85/Apache-Spark-Arrow-11-320.jpg){kind=icon}
Apache Spark + Arrow
- 2. 2 Who Am I ?
- 3. 3 What’s Spark? Apache Spark 2015 Year In Review, https://bit.ly/2JaG0He • AMPLab@UC Berkeleyの成果で，2012年にOSSとして公開され た汎⽤的な分散・並列処理フレームワーク – 現在の最新がv2.4.4、現在はv3.0のリリースに向けて準備中 • 代表的な特徴はユーザが使 いやすいAPI，外部データ との連携，内部での⾼度な 最適化
- 4. • 最新のSpark（PySpark）のインストール • テスト実⾏ 4 Quick Start Guide for Spark aa$ conda install –c conda-forge pyspark aa $ cat test.csv 1,a,0.3 2,b,1.7 $ pyspark >>> df = spark.read.csv(‘test.csv’) >>> df.show()
- 5. • @pandas_udfアノテーション（v2.3+）を使い、Pandasを⽤い て書かれたコードをSparkで分散処理 – 処理データの増⼤に対して既存コードを流⽤ – 複雑な処理をPandasのコードとして切り出してテストを容易化 5 Use Case: Distribute&Run Your Pandas Code >>> @pandas_udf(‘double’) . . . defpandas_mean_diff(pdf): . . . return pdf - pdf.mean() >>> sdf.select(pandas_mean_diff(sdf[‘v’])).show() pdf: sdf: Pandas DataFrame Spark DataFrame
- 6. • より複雑な例: scikit-learnで作成した機械学習モデルによる 推論をSparkで分散処理 6 Use Case: Distribute&Run Your Pandas Code # sckit-learnで学習モデルを作成 >>> clf = DecisionTreeClassifier() >>> clf.fit(X_train, y_train) # 作成したモデルをSparkクラスタで共有 >>> broadcasted_clf= spark.sparkContext.broadcast(clf) # 共有したモデルを使⽤して推論を⾏うUDFを定義 >>> @pandas_udf(returnType='int') ... defpredict(*cols): ... X = pd.concat(cols, axis=1) ... predicted = broadcasted_clf.value.predict(X) ... return pd.Series(predicted) # 定義したUDFを⽤いて推論をSparkで分散処理 >>> df.select('y', predict(*X.columns).alias('predicted')) Example Code: https://bit.ly/357C0kp
- 7. • @pandas_udfは内部的にArrowで⾼速化 – @udf はv2.2まで使⽤されていたUDF⽤のアノテーション 7 PySpark UDF Performance Benchmark Code: https://bit.ly/2LITA7c 70.93 19.92 @udf @pandas_udf UDF: (x, y) => x + y Accelerated by
- 9. • spark.sql.execution.arrow.maxRecordsPerBatch (default: 10000) – Arrowによるデータ転送（SerDe）で１回の転送に含める⾏数，設定値 を⼤きくすると使⽤メモリ量が増⼤ • spark.sql.execution.arrow.enabled (default: false) – Spark/Pandas Dataframeの相互変換を⾏うtoPandas/createDataFrameの 処理においてArrowによる最適化の有効化 • spark.sql.execution.arrow.fallback.enabled (default: true) – Arrowによるデータ転送が⾏えない場合（e.g., 未サポートの型）に Arrowを使わないデータ転送に切り替える機能の有効化 9 Configurations for Arrow-Accelerated Processing v2.4.4におけるArrowに関係する設定は3つだけ
- 10. • SPARK-29376: Upgrade Arrow to v0.15.1 • SPARK-29493: Support Arrow MapType – v2.4.4で未サポートの型はMapType，ArrayType of TimestampType， Nested StructType，ただしBinaryTypeはPyArrowv0.10.0+のみ 10 Current Development Status for v3.0
- 11. • 上記の組み合わせで@pandas_udf の処理がエラーで停⽌ – 原因: v0.15.0からIPCで使⽤するバイナリフォーマットが変更 • Apache Arrow 0.15.0 Release: https://arrow.apache.org/blog/2019/10/06/0.15.0-release/ – 解決策: ARROW_PRE_0_15_IPC_FORMAT=1を設定することでv0.14.0まで のIPCのバイナリフォーマットに変更可能 11 Notice: PySpark + PyArrow v0.15.0+ Issue # Run the code as shown in p5 with PyArrow v0.15.1 >>> sdf.select(pandas_mean_diff(sdf[‘v’])).show() java.lang.IllegalArgumentException at java.nio.ByteBuffer.allocate(ByteBuffer.java:334) at o.a.arrow.vector.ipc.message.MessageSerializer.readMessage (MessageSerializer.java:543) at o.a.arrow.vector.ipc.message.MessageChannelReader.readNext (MessageChannelReader.java:58) at org.apache.arrow.vector.ipc.ArrowStreamReader.readSchema (ArrowStreamReader.java:132) ...
- 12. • v3.0からはSparkR においてもArrowによる最適化を適⽤ – 使⽤⽅法はPySparkと同等でデータ転送の効率化 • Spark+AI Summit Europe（2019.10）の以下の発表資料を参照 – Vectorized R Execution in Apache Spark, Hyukjin Kwon@Databricks, https://bit.ly/2LIbmaC 12 SparkR + Arrow
- 13. • Script TransformationはSQL構⽂上で任意のスクリプト処理を 外部プロセス経由で実⾏する拡張 • Spark+AI Summit Europe (2019.10) でFacebookからデータ転送 の独⾃の改善に関する発表 – Powering Custom Apps at Facebook using Spark Script Transformation, Abdulrahman Alfozan@Facebook, https://bit.ly/2q5OH0w 13 Script Transformation + Arrow p8から引⽤
- 15. • Sparkと外部プロセスの間のI/O処理の効率化 – SQL構⽂上からユーザが定義した独⾃のI/O処理を指定可能 • 開発環境ではデバック効率重視のテキスト形式、プロダク ション環境では速度重視のバイナリ形式 – 現在はSparkの内部表現（UnsafeRow）をそのまま活⽤，今後はArrow などの⾼効率なバイナリ形式を検討 – Int/Doubleなどの単純型でテキスト形式と⽐較して，バイナリ形式は 最⼤で4倍程度の⾼速化 • Map/Arrayなどの複雑型では性能差が拡⼤ 15 Script Transformation + Arrow スライドp8から引用
- 16. • Spark + Arrow: 外部プロセスとのデータ転送の効率化 – PySparkにおけるPandas UDFsの話を中⼼に紹介 – v3.0ではSparkRにも同様の最適化が適⽤ • 宣伝: Apache Spark 3.0 Preview Released: 16 Wrap-up https://bit.ly/2KavYHV