Question

您好，数据工程师！

我正在尝试使用名为Astral的类中的方法编写pyspark udf

这是udf：

def time_from_solar_noon(d, y):
    noon = astral.Astral().solar_noon_utc
    time = noon(d, y)
    return time 

solarNoon = F.udf(lambda d, y: time_from_solar_noon(d,y), TimestampType())

按照我现在的理解，该类将针对我的数据框中的每行实例化，这将导致工作非常缓慢。

如果我从函数中删除类实例：

noon = astral.Astral().solar_noon_utc

def time_from_solar_noon(d, y):
    time = noon(d, y)
    return time

我收到以下错误消息：

  [Previous line repeated 326 more times]
    RecursionError: maximum recursion depth exceeded while calling a Python object

所以这是我的问题，我认为应该有可能通过执行者/线程至少有一个类实例化，而不是在数据框中逐行进行实例化，我该怎么做？

感谢帮助

Answer 1

就像数据库连接一样，您可以使用mapPartitions来实例化有限数量的此类实例：

In [1]: from datetime import date
   ...: from astral import Astral
   ...: 
   ...: df = spark.createDataFrame(
   ...:     ((date(2019, 10, 4), 0),
   ...:      (date(2019, 10, 4), 19)),
   ...:     schema=("date", "longitude"))
   ...: 
   ...: 
   ...: def solar_noon(rows):
   ...:     a = Astral()  # initialize the class once per partition
   ...:     return ((a.solar_noon_utc(date=r.date, longitude=r.longitude), *r)
   ...:             for r in rows)  # reuses the same Astral instance for all rows in this partition
   ...: 
   ...: 
   ...: (df.rdd
   ...:  .mapPartitions(solar_noon)
   ...:  .toDF(schema=("solar_noon_utc", *df.columns))
   ...:  .show()
   ...:  )
   ...: 
   ...:  
+-------------------+----------+---------+                                      
|     solar_noon_utc|      date|longitude|
+-------------------+----------+---------+
|2019-10-04 13:48:58|2019-10-04|        0|
|2019-10-04 12:32:58|2019-10-04|       19|
+-------------------+----------+---------+

这是相当有效的，因为将函数（solar_noon分配给了每个工作程序，并且每个分区只能容纳一次该类，而该分区可以容纳很多行。

在pyspark UDF内部使用类方法

1 个答案: