在 Spark 中对 RDD 执行 group by 并将每个组写入单独的 Parquet 文件

Posted 2023-04-17

【中文标题】在 Spark 中对 RDD 执行 group by 并将每个组写入单独的 Parquet 文件

【英文标题】：Perform group by on RDD in Spark and write each group as individual Parquet file

【发布时间】：2016-02-16 23:21:17

【问题描述】：

我在内存中有一个 RDD。我想使用一些任意函数对 RDD 进行分组，然后将每个单独的组写成单独的 Parquet 文件。

例如，如果我的 RDD 由以下形式的 JSON 字符串组成：

"type":"finish","resolution":"success","csr_id": 214
"type":"create","resolution":"failure","csr_id": 321
"type":"action","resolution":"success","csr_id": 262

我想按“类型”属性对 JSON 字符串进行分组，并将具有相同“类型”的每组字符串写入同一个 Parquet 文件。

我可以看到 DataFrame API 可以按如下方式写出 Parquet 文件（例如，如果 RDD 由 JSON 字符串组成）：

final JavaRDD<String> rdd = ...
final SQLContext sqlContext = SQLContext.getOrCreate(rdd.context());
final DataFrame dataFrame = sqlContext.read().json(rdd);
dataFrame.write().parquet(location);

这意味着整个 DataFrame 被写入 Parquet 文件，因此 Parquet 文件将包含具有不同“type”属性值的记录。

Dataframe API 还提供 groupBy 函数：

final GroupedData groupedData = dataFrame.groupBy(this::myFunction);

但是 GroupedData API 似乎没有提供将每个组写入单个文件的任何功能。

有什么想法吗？

【参考方案1】：

您不能写入GroupedData，但您可以在写入时对数据进行分区：

dataFrame.write.partitionBy("type").format("parquet").save("/tmp/foo")

每种类型都会以$column=$value 格式写入自己的目录。这些可以单独加载：

sqlContext.read.parquet("/tmp/foo/type=action").show
// +------+----------+
// |csr_id|resolution|
// +------+----------+
// |   262|   success|
// +------+----------+