我想count通过星火API mllib的FP增长所产生的频繁项集。 我的Spark是1.5.1版本。 下面是我的代码：
#!/usr/bin/python
from pyspark.mllib.fpm import FPGrowth
from pyspark import SparkContext,SparkConf
from pyspark import HiveContext
import os
os.environ['PYSPARK_PYTHON']='/usr/bin/python'
appName = "FP_growth"
sc = SparkContext()
sql_context = HiveContext(sc)
def read_spu(prod):#prod_code):
sql = """
select
t.orderno_nosplit,
t.prod_code,
t.item_code,
sum(t.item_qty) as item_qty
from ioc_fdm.fdm_dwr_ioc_fcs_pk_spu_item_f_chain t
where t.prod_code='%s'
group by t.prod_code, t.orderno_nosplit, t.item_code """%prod
spu_result = sql_context.sql(sql)
return spu_result.cache()
if __name__ == '__main__':
spu=read_spu('6727780')
conf=0.7
trans=spu.rdd.repartition(100).map(lambda x: (x[0],x[2])).groupByKey().mapValues(list).values().cache()
model = FPGrowth.train(trans, 0.01, 100)
freq_count = model.freqItemsets().count()
print 'freq_count:',freq_count
sc.stop()
输入数据从Hadoop的读取，数据不是非常大，大约只有20000行。 然而，脚本作品非常的阶段很慢.count 。 我不知道为什么。 从性能，现在看来，这是因为数据歪斜。 但输出数据并不大（只有约每任务100KB）。
群集具有320芯和1.56总共T个存储器（未只有一个用户）的8个节点。 我的火花提交脚本是spark-submit --master yarn-cluster --executor-memory 30g --num-executors 20 --executor-cores 5 FP_growth.py
运行时，附件是性能的丝网印刷：
资源使用
活跃阶段
任务
