在 RDD 转换上保留 Spark DataFrame 列分区

Posted

技术标签:

【中文标题】在 RDD 转换上保留 Spark DataFrame 列分区【英文标题】:Preserving Spark DataFrame column partitions on RDD conversion 【发布时间】:2016-11-17 23:22:34 【问题描述】:

给定一个看起来像这样的 Spark DataFrame:

==================================
| Name | Col1 | Col2 | .. | ColN |
----------------------------------
|    A |    1 |   11 | .. |   21 |
|    A |   31 |   41 | .. |   51 |
|    B |    2 |   12 | .. |   22 |
|    B |   32 |   42 | .. |   52 |
==================================

我想运行逻辑,该逻辑对对应于特定Name 值的表分区执行聚合/计算。所述逻辑要求分区的全部内容——并且该分区——在执行该逻辑的节点上的内存中实现;它看起来像下面的processSegment 函数:

def processDataMatrix(dataMatrix):
    # do some number crunching on a 2-D matrix

def processSegment(dataIter):
    # "running" value of the Name column in the iterator
    dataName = None
    # as the iterator is processed, put the data in a matrix
    dataMatrix = []

    for dataTuple in dataIter:
        # separate the name column from the other columns
        (name, *values) = dataTuple
        # SANITY CHECK: ensure that all rows have same name
        if (dataName is None):
            dataName = name
        else:
            assert (dataName == name), 'row name ' + str(name) + ' does not match expected ' + str(dataName)

        # put the row in the matrix
        dataMatrix.append(values)

    # if any rows were processed, number-crunch the matrix
    if (dataName is not None):
        return processDataMatrix(dataMatrix)
    else:
        return []

我试图通过基于Name 列重新分区,然后通过底层RDD 上的mapPartitions 在每个分区上运行processSegment 来完成这项工作:

result = \
    stacksDF \
        .repartition('Name') \
        .rdd \
        .mapPartitions(processSegment) \
        .collect()

但是,该过程通常会使processSegment 中的SANITY CHECK 断言失败:

AssertionError: row name Q7 does not match expected A9

当我尝试在底层 RDD 上运行 mapPartitions 时,为什么表面上在 DataFrame 上执行的分区没有被保留?如果上述方法无效,是否有某种方法(使用 DataFrame API 或 RDD API)可以让我对 DataFrame 分区的内存再现执行聚合逻辑?

(由于我使用的是 PySpark,而我希望执行的特定数字运算逻辑是 Python,用户定义的聚合函数 (UDAF) would not appear to be an option。)

【问题讨论】:

【参考方案1】:

我相信您误解了分区的工作原理。一般来说,partioner 是一个满射函数,而不是一个双射函数。虽然特定值的所有记录都将移动到单个分区,但分区可能包含具有多个不同值的记录。

DataFrame API 无法让您对分区程序进行任何控制,但可以在使用 RDD API 时定义自定义 partitionFunc。这意味着您可以使用双射的,例如:

mapping = (df
    .select("Name")
    .distinct()
    .rdd.flatMap(lambda x: x)
    .zipWithIndex()
    .collectAsMap())

def partitioner(x):
    return mapping[x]

并按如下方式使用:

df.rdd.map(lambda row: (row.Name, row)).partitionBy(len(mapping), partitioner)

尽管您可能必须记住分区不是空闲的,并且如果唯一值的数量很大,它可能会成为一个严重的性能问题。

【讨论】:

以上是关于在 RDD 转换上保留 Spark DataFrame 列分区的主要内容,如果未能解决你的问题,请参考以下文章

转换CassandraTableScanRDD org.apache.spark.rdd.RDD

spark下dataframe转为rdd格式

11.spark sql之RDD转换DataSet

Spark内存管理详解(下)——内存管理

Spark-RDD 转换算子(Value 类型)

第2天Python实战Spark大数据分析及调度-RDD编程