多个 RDD 的 Spark union

Posted 2023-02-16

【中文标题】多个 RDD 的 Spark union

【英文标题】：Spark union of multiple RDDs

【发布时间】：2016-02-18 01:24:56

【问题描述】：

在我的猪代码中，我这样做：

all_combined = Union relation1, relation2, 
    relation3, relation4, relation5, relation 6.

我想对 spark 做同样的事情。然而，不幸的是，我看到我必须继续成对地做：

first = rdd1.union(rdd2)
second = first.union(rdd3)
third = second.union(rdd4)
# .... and so on

是否有联合运算符可以让我一次对多个 rdd 进行操作：

例如union(rdd1, rdd2,rdd3, rdd4, rdd5, rdd6)

这是一个方便的问题。

【参考方案1】：

不幸的是，这是在 Spark 中访问 UNION 表的唯一方法。然而，而不是

first = rdd1.union(rdd2)
second = first.union(rdd3)
third = second.union(rdd4)
...

您可以像这样以更简洁的方式执行它：

result = rdd1.union(rdd2).union(rdd3).union(rdd4)

【讨论】：

在 spark 中联合表的方法不止一种。此评论不正确。见上面 zero323 的评论

【参考方案2】：

如果这些是 RDD，你可以使用SparkContext.union 方法：

rdd1 = sc.parallelize([1, 2, 3])
rdd2 = sc.parallelize([4, 5, 6])
rdd3 = sc.parallelize([7, 8, 9])

rdd = sc.union([rdd1, rdd2, rdd3])
rdd.collect()

## [1, 2, 3, 4, 5, 6, 7, 8, 9]

没有DataFrame 等价物，但它只是一个简单的单线问题：

from functools import reduce  # For Python 3.x
from pyspark.sql import DataFrame

def unionAll(*dfs):
    return reduce(DataFrame.unionAll, dfs)

df1 = sqlContext.createDataFrame([(1, "foo1"), (2, "bar1")], ("k", "v"))
df2 = sqlContext.createDataFrame([(3, "foo2"), (4, "bar2")], ("k", "v"))
df3 = sqlContext.createDataFrame([(5, "foo3"), (6, "bar3")], ("k", "v"))

unionAll(df1, df2, df3).show()

## +---+----+
## |  k|   v|
## +---+----+
## |  1|foo1|
## |  2|bar1|
## |  3|foo2|
## |  4|bar2|
## |  5|foo3|
## |  6|bar3|
## +---+----+

如果DataFrames 的数量很大，则在RDD 上使用SparkContext.union 并重新创建DataFrame 可能是避免issues related to the cost of preparing an execution plan 的更好选择：

def unionAll(*dfs):
    first, *_ = dfs  # Python 3.x, for 2.x you'll have to unpack manually
    return first.sql_ctx.createDataFrame(
        first.sql_ctx._sc.union([df.rdd for df in dfs]),
        first.schema
    )

【讨论】：

这里 *rest 的目的是什么？它不在任何地方使用。

我想在单行 DF 之间执行大约 3000 个联合。使用第一个选项，在第 100 次迭代后它会以指数速度变慢（我正在使用 tqdm 进行测试）。使用第二个选项，它从一开始就很慢，并且一直线性减速。有没有更好的方法来做到这一点？

@drkostas 可能不是最好的方法，但我通过保存 RDD 然后加载它并继续循环来解决这个问题。这会杀死 RDD 的历史记录，因为它会在每个新循环之前重新运行 RDDs 历史记录中的每个循环。 Spark 不喜欢循环

@Gramatik 是的，我也以同样的方式解决了问题。通过使用选项 append 将每个数据帧保存在 parquet 中，然后将 parquet 加载到新的数据帧中。

【参考方案3】：

您还可以在 RDD 之间为 UNION 使用加法

rdd = sc.parallelize([1, 1, 2, 3])
(rdd + rdd).collect()
## [1, 1, 2, 3, 1, 1, 2, 3]