Question

我在Spark中运行了一个UDF（在EMR上运行），用scala编写，使用uaparser库为scala（uap-scala）解析来自用户代理的设备。在小型设备上工作时，它可以正常工作（5000行），但在较大的设备（2M）上运行时效果非常慢。我尝试收集Dataframe以列出并在驱动程序上循环它，这也非常慢，是什么让我相信UDF在驱动程序而不是工作程序上运行

我怎样才能建立这个？有人有另一种理论吗？
如果是这样，为什么会发生这种情况？

这是udf代码：

def calcDevice(userAgent: String): String = {

val userAgentVal = Option(userAgent).getOrElse("")
Parser.get.parse(userAgentVal).device.family
}

val calcDeviceValUDF: UserDefinedFunction = udf(calcDevice _)

用法：

.withColumn("agentDevice", udfDefinitions.calcDeviceValUDF($"userAgent"))

由于尼尔

Answer 1

问题在于在UDF中实例化构建器。解决方案是在udf之外创建对象并在行级使用它：

val userAgentAnalyzerUAParser = Parser.get

def calcDevice(userAgent: String): String = {

val userAgentVal = Option(userAgent).getOrElse("")
userAgentAnalyzerUAParser.parse(userAgentVal).device.family
}

val calcDeviceValUDF: UserDefinedFunction = udf(calcDevice _)

Answer 2

我们遇到了Spark作业挂起的同一问题。我们要做的另一件事是使用广播变量。经过所有更改后，此UDF实际上非常慢，因此您的行驶里程可能会有所不同。另一项警告是获取 SparkSession ；我们在Databricks中运行，如果 SparkSession 不可用，它将崩溃。如果您需要继续工作，则必须处理该失败案例。

object UDFs extends Serializable {
  val uaParser = SparkSession.getActiveSession.map(_.sparkContext.broadcast(CachingParser.default(100000)))

  val parseUserAgent = udf { (userAgent: String) =>
    // We will simply return an empty map if uaParser is None because that would mean
    // there is no active spark session to broadcast the parser.
    //
    // Also if you wrap the potentially null value in an Option and use flatMap and map to
    // add type safety it becomes slower.
    if (userAgent == null || uaParser.isEmpty) {
      Map[String, Map[String, String]]()
    } else {
      val parsed = uaParser.get.value.parse(userAgent)
      Map(
        "browser" -> Map(
          "family"      -> parsed.userAgent.family,
          "major"       -> parsed.userAgent.major.getOrElse(""),
          "minor"       -> parsed.userAgent.minor.getOrElse(""),
          "patch"       -> parsed.userAgent.patch.getOrElse("")
        ),
        "os" -> Map(
          "family"      -> parsed.os.family,
          "major"       -> parsed.os.major.getOrElse(""),
          "minor"       -> parsed.os.minor.getOrElse(""),
          "patch"       -> parsed.os.patch.getOrElse(""),
          "patch-minor" -> parsed.os.patchMinor.getOrElse("")
        ),
        "device" -> Map(
          "family"      -> parsed.device.family,
          "brand"       -> parsed.device.brand.getOrElse(""),
          "model"       -> parsed.device.model.getOrElse("")
        )
      )
    }
  }    
}

您可能还想玩 CachingParser 的大小。

Answer 3

如果问题中缺少Parser.get.parse，则只能判断udf部分。

对于效果，您可以删除Option：

def calcDevice(userAgent: String): String = {
  val userAgentVal = if(userAgent == null) "" else userAgent
  Parser.get.parse(userAgentVal).device.family
}

Spark中的UDF工作非常慢

3 个答案: