鉴于Spark DataFrame看起来像这样:
Pattern.compile("*Hello").matcher("*Hello").matches()
我想运行逻辑,该逻辑对表的分区执行聚合/计算,该分区对应于特定的\\*Hello
值。所述逻辑要求分区的全部内容 - 和仅该分区 - 在执行逻辑的节点上的内存中实现;它看起来像下面的==================================
| Name | Col1 | Col2 | .. | ColN |
----------------------------------
| A | 1 | 11 | .. | 21 |
| A | 31 | 41 | .. | 51 |
| B | 2 | 12 | .. | 22 |
| B | 32 | 42 | .. | 52 |
==================================
函数:
Name
我尝试通过基于processSegment
列的重新分区,然后通过基础RDD上的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 []
在每个分区上运行Name
来完成此工作:
processSegment
但是,该过程通常会失败mapPartitions
中的result = \
stacksDF \
.repartition('Name') \
.rdd \
.mapPartitions(processSegment) \
.collect()
断言:
SANITY CHECK
当我尝试在底层RDD上运行processSegment
时,为什么在DataFrame上表面上执行的分区没有被保留?如果上面的方法无效,是否有一些方法(使用DataFrame API或RDD API),这将使我能够在DataFrame分区的内存中再现上执行聚合逻辑?
(因为我正在使用PySpark,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。)
答案 0 :(得分:1)
我相信你误解了分区是如何工作的。一般来说,分区是一个射影函数,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并未对您提供对分区程序的任何控制,但在使用partitionFunc
API时可以定义自定义RDD
。这意味着你可以使用一个双射的,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)
虽然您可能必须记住分区不是免费的,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。