Question

我有一个非常简单的Spark DataFrame，当运行DataFrame groupby时，性能非常糟糕 - 比（在我脑中）等效的RDD reduceByKey慢了8倍......

我的缓存DF只有两列，客户和名称只有5万行：

== Physical Plan ==
InMemoryColumnarTableScan [customer#2454,name#2456], InMemoryRelation [customer#2454,name#2456], true, 10000, StorageLevel(true, true, false, true, 1), Scan ParquetRelation[customer#2454,name#2456] InputPaths: hdfs://nameservice1/tmp/v2_selected_parquet/test_parquet2, None

当我运行以下两个片段时，我预计会有类似的性能，而不是rdd版本在10s运行而DF版本在85s运行......

rawtempDF2.rdd.map(lambda x: (x['name'], 1)).reduceByKey(lambda x,y: x+y).collect()

rawtempDF2.groupby('name').count().collect()

我错过了一些非常基本的东西吗？ FWIW，RDD版本运行54个阶段，DF版本为227：/

编辑：我使用的是Spark 1.6.1和Python 3.4.2。编辑2：此外，源镶木地板是分区客户/日/名称 - 目前27客户，1天，c。 45个名字。

Answer 1

这两个数字似乎都相对较高，并且不清楚如何创建DataFrame或测量时间，但总的来说差异可以通过与分区数量相比较少的记录来解释。

spark.sql.shuffle.partitions的默认值为200，即您获得的任务数量。使用50K记录时，启动任务的开销将高于从并行执行中获得的加速。让我们用一个简单的例子来说明。首先，我们创建一个示例数据：

import string
import random

random.seed(323)

def random_string():
  n = random.randint(3, 6)
  return (''.join(random.choice(string.ascii_uppercase) for _ in range(n)), )

df = (sc
    .parallelize([random_string() for _ in range(50000)], 8).toDF(["name"])
    .cache())

根据shuffle.partitions：

的数量衡量时间

sqlContext.setConf("spark.sql.shuffle.partitions", "1")
%timeit -n 10  df.groupby('name').count().collect()
## 10 loops, best of 3: 504 ms per loop

sqlContext.setConf("spark.sql.shuffle.partitions", "1")
%timeit -n 10  df.groupby('name').count().collect()
## 10 loops, best of 3: 451 ms per loop

sqlContext.setConf("spark.sql.shuffle.partitions", "100")
%timeit -n 10  df.groupby('name').count().collect()
## 10 loops, best of 3: 624 ms per loop

sqlContext.setConf("spark.sql.shuffle.partitions", "200")
%timeit -n 10  df.groupby('name').count().collect()
## 10 loops, best of 3: 778 ms per loop

sqlContext.setConf("spark.sql.shuffle.partitions", "1000")
%timeit -n 10  df.groupby('name').count().collect()
## 10 loops, best of 3: 1.75 s per loop

虽然这些值与您声明的值不可比，并且此数据已在本地模式下收集，但您可以看到相对清晰的模式。这同样适用于RDD：

from operator import add

%timeit -n 10 df.rdd.map(lambda x: (x['name'], 1)).reduceByKey(add, 1).collect()
## 10 loops, best of 3: 414 ms per loop

%timeit -n 10 df.rdd.map(lambda x: (x['name'], 1)).reduceByKey(add, 10).collect()
## 10 loops, best of 3: 439 ms per loop

%timeit -n 10 df.rdd.map(lambda x: (x['name'], 1)).reduceByKey(add, 100).collect()
## 10 loops, best of 3: 1.3 s per loop

%timeit -n 10 df.rdd.map(lambda x: (x['name'], 1)).reduceByKey(add, 1000).collect()
## 10 loops, best of 3: 8.41 s per loop

在适当的分布式环境中，由于网络IO的成本，这将更高。

仅供比较，让我们检查在没有Spark

的情况下在本地执行此任务需要多长时间

from collections import Counter

data = df.rdd.flatMap(lambda x: x).collect()

%timeit -n 10 Counter(data)
## 10 loops, best of 3: 9.9 ms per loop

您还应该查看数据位置。根据您使用的存储和配置，即使使用这样的小输入，这也会给您的作业增加额外的延迟。

为什么我的Spark DataFrame比RDD慢得多？

1 个答案: