Question

我想查看如何获取有关每个分区的信息，例如总数。当部署模式作为纱线群集提交Spark作业以便在控制台上记录或打印时，驱动程序端每个分区中的记录数。

Answer 1

我使用内置功能。它应该尽可能高效：

{{1}}

Answer 2

您可以像这样获取每个分区的记录数：

df
  .rdd
  .mapPartitionsWithIndex{case (i,rows) => Iterator((i,rows.size))}
  .toDF("partition_number","number_of_records")
  .show

但是这也会自动启动Spark Job（因为必须通过spark读取文件才能获得记录数）。

Spark也可能会读取hive表统计信息，但我不知道如何显示这些元数据。

Answer 3

对于未来的PySpark用户：

from pyspark.sql.functions  import spark_partition_id
rawDf.withColumn("partitionId", spark_partition_id()).groupBy("partitionId").count().show()

Answer 4

Spark 1.5解决方案：

（sparkPartitionId()）

中存在org.apache.spark.sql.functions

import org.apache.spark.sql.functions._ 

df.withColumn("partitionId", sparkPartitionId()).groupBy("partitionId").count.show

如@Raphael Roth所述

mapPartitionsWithIndex是最好的方法，可以使用自基于RDD的方法以来所有版本的spark

Answer 5

火花/斯卡拉：

val numPartitions = 20000
val a = sc.parallelize(0 until 1e6.toInt, numPartitions )
val l = a.glom().map(_.length).collect()  # get length of each partition
print(l.min, l.max, l.sum/l.length, l.length)  # check if skewed

PySpark：

num_partitions = 20000
a = sc.parallelize(range(int(1e6)), num_partitions)
l = a.glom().map(len).collect()  # get length of each partition
print(min(l), max(l), sum(l)/len(l), len(l))  # check if skewed

dataframe不仅可以用于RDD，也可以这样做。只需将DF.rdd.glom ...添加到上面的代码中即可。

信用：Mike Dusenberry @ https://issues.apache.org/jira/browse/SPARK-17817

Answer 6

PySpark：

from pyspark.sql.functions import spark_partition_id

df.select(spark_partition_id().alias("partitionId")).groupBy("partitionId").count()

Apache Spark：获取每个分区的记录数

6 个答案:

Spark 1.5解决方案：