Question

我知道在RDD或DataFrame上调用的count是一个动作。但是在摆弄火花壳时，我观察到以下情况

scala> val empDF = Seq((1,"James Gordon", 30, "Homicide"),(2,"Harvey Bullock", 35, "Homicide"),(3,"Kristen Kringle", 28, "Records"),(4,"Edward Nygma", 30, "Forensics"),(5,"Leslie Thompkins", 31, "Forensics")).toDF("id", "name", "age", "department")
empDF: org.apache.spark.sql.DataFrame = [id: int, name: string, age: int, department: string]

scala> empDF.show
+---+----------------+---+----------+
| id|            name|age|department|
+---+----------------+---+----------+
|  1|    James Gordon| 30|  Homicide|
|  2|  Harvey Bullock| 35|  Homicide|
|  3| Kristen Kringle| 28|   Records|
|  4|    Edward Nygma| 30| Forensics|
|  5|Leslie Thompkins| 31| Forensics|
+---+----------------+---+----------+

scala> empDF.groupBy("department").count //count returned a DataFrame
res1: org.apache.spark.sql.DataFrame = [department: string, count: bigint]

scala> res1.show
+----------+-----+                                                              
|department|count|
+----------+-----+
|  Homicide|    2|
|   Records|    1|
| Forensics|    2|
+----------+-----+

当我在GroupedData（count）上调用empDF.groupBy("department")时，得到了另一个DataFrame作为结果（res1）。这使我相信count在这种情况下是一种转换。进一步支持以下事实：当我调用count时没有触发任何计算，而是在我运行res1.show时开始计算。

我还找不到任何文档，表明count也可能是一种转换。有人可以帮忙澄清一下吗？

Answer 1

您在代码中使用的.count()已超过RelationalGroupedDataset，这将创建一个新列，其中包含分组数据集中的元素数。这是转化。参考： https://spark.apache.org/docs/1.6.0/api/scala/index.html#org.apache.spark.sql.GroupedDataset

您通常在.count()上使用的RDD/DataFrame/Dataset与上面的完全不同，并且此.count()是 Action 。请参阅：https://spark.apache.org/docs/1.6.0/api/scala/index.html#org.apache.spark.rdd.RDD

编辑：

在对groupedDataSet进行操作时，始终将.count()与.agg()一起使用，以避免将来造成混淆：

empDF.groupBy($"department").agg(count($"department") as "countDepartment").show

Answer 2

您已经知道-如果方法返回分布式对象（Dataset或RDD），则可以将其视为转换。

但是，这些区别比数据集更适合于RDD。后者具有优化器，包括最近添加的基于成本的优化器，并且可能不像以前的API那么懒，在某些情况下模糊了转换和操作之间的差异。

在这里可以肯定地说count是一种转换。

Answer 3

案例1：

您使用rdd.count()来计算行数。由于它启动DAG执行并将数据返回给驱动程序，因此它是RDD的动作。

例如：rdd.count // it returns a Long value

案例2：

如果在Dataframe上调用count，它将启动DAG执行并将数据返回给驱动程序，这是Dataframe的操作。

例如：df.count // it returns a Long value

案例3：

在您的情况下，您要在groupBy上调用dataframe并返回RelationalGroupedDataset对象，而您要在分组数据集上调用count并返回Dataframe，因此它是转换，因为它不会将数据获取到驱动程序并启动DAG执行。

例如：

 df.groupBy("department") // returns RelationalGroupedDataset
          .count // returns a Dataframe so a transformation
          .count // returns a Long value since called on DF so an action

Spark：分组数据上的“计数”是转换还是动作？

3 个答案: