Question

我想减少每个reducer的记录数，并将结果变量保持为rdd

使用takeSample似乎是明显的选择，但它会返回collection而不是SparkContext对象。

我想出了这个方法：

rdd = rdd.zipWithIndex().filter(lambda x:x[1]<limit).map(lambda x:x[0])

然而，这种方法非常慢且效率不高。

是否有更智能的方法来获取小样本并使数据结构保持rdd？

Answer 1

您需要一个小示例子集，并且无法对数据做出任何其他假设，那么take与parallelize相结合可能是最佳解决方案：

sc.parallelize(rdd.take(n))

它将触及相对较少数量的分区（在最佳情况下只有一个），并且小 n 的网络流量成本应该可以忽略不计。

抽样（randomSplit或sample）需要与zipWithIndex filter完全相同的完整数据扫描。

假设没有数据偏差，你可以尝试这样的方法来解决这个问题：

from __future__ import division  # Python 2 only

def limitApprox(rdd, n, timeout):
    count = rdd.countApprox(timeout)
    if count <= n:
        return rdd
    else:
        rec_per_part = count // rdd.getNumPartitions()
        required_parts = n / rec_per_part if rec_per_part else 1
        return rdd.mapPartitionsWithIndex(
            lambda i, iter: iter if i < required_parts else []
        )

这仍将访问每个分区，但如果没有必要，将尝试避免计算内容
无法工作
- 可能会低估。

如果数据可以表示为Row，您可以尝试另一种技巧：

rdd.toDF().limit(n).rdd

限制spark上下文中的记录数量

1 个答案: