Question

我尝试使用Google phonenumbers库的Python端口来规范化5000万个电话号码。我从S3上的Parquet文件读取SparkDataFrame，然后在数据帧上运行操作。以下函数parsePhoneNumber表示为UDF：

def isValidNumber(phoneNum):
    try:
        pn = phonenumbers.parse(phoneNum, "US")
    except:
        return False
    else:
        return phonenumbers.is_valid_number(pn) and phonenumbers.is_possible_number(pn)

def parsePhoneNumber(phoneNum):
    if isValidNumber(phoneNum):
        parsedNumber = phonenumbers.parse(phoneNum, "US")
        formattedNumber = phonenumbers.format_number(parsedNumber, phonenumbers.PhoneNumberFormat.E164)

        return (True, parsedNumber.country_code, formattedNumber, parsedNumber.national_number, parsedNumber.extension)
    else:
        return (False, None, None, None)

以下是我如何使用UDF派生新列的示例：

newDataFrame = oldDataFrame.withColumn("new_column", parsePhoneNumber_udf(oldDataFrame.phone)).select("id", "new_column".national_number)

通过运行display(newDataFrame)或newDataFrame.show(5)或类似的东西来执行UDF只使用集群中的一个执行器，因此UDF中的某些东西不会导致它只在一个上运行工人。

如果我做任何会阻止它并行运行的事情，你能提供一些见解吗？

执行环境位于由Databricks控制的云集群上。

编辑：以下是oldDataFrame.explain

的输出

== Parsed Logical Plan ==
Relation[id#621,person_id#622,phone#623,type#624,source_id#625,created_date#626,modified_date#627] parquet

== Analyzed Logical Plan ==
id: string, person_id: string, phone: string, type: string, source_id: string, created_date: string, modified_date: string
Relation[id#621,person_id#622,phone#623,type#624,source_id#625,created_date#626,modified_date#627] parquet

== Optimized Logical Plan ==
Relation[id#621,person_id#622,phone#623,type#624,source_id#625,created_date#626,modified_date#627] parquet

== Physical Plan ==
*FileScan parquet [id#621,person_id#622,phone#623,type#624,source_id#625,created_date#626,modified_date#627] Batched: true, Format: Parquet, Location: InMemoryFileIndex[dbfs:/mnt/person-data/parquet/phone], PartitionFilters: [], PushedFilters: [], ReadSchema: struct<id:string,person_id:string,phone:string,type:string,source_id:string,created_date:strin...

Answer 1

你们都很好。 Display，默认参数最多显示前1000行。同样地，newDataFrame.show(5)仅显示前五行。

同时执行plain（oldDataFrame.explain）显示没有随机播放，因此在两种情况下，Spark都只评估最小数量的分区以获得所需的行数 - 对于这些值，它可能是一个分区。 / p>

如果你想确定：

检查oldDataFrame.rdd.getNumPartitions()是否大于一。
如果是，请使用df.foreach(lambda _: None)或newDataFrame.foreach(lambda _: None)强制执行所有分区。

你应该看到更多活跃的执行者。

Spark UDF没有并行运行

1 个答案: