我如何 parallelize/distribute queries/counts 针对 Spark DataFrame?
How do I parallelize/distribute queries/counts against a Spark DataFrame?
我有一个 DataFrame
,我必须对其应用一系列过滤器查询。例如,我按如下方式加载 DataFrame
。
val df = spark.read.parquet("hdfs://box/some-parquet")
然后我有一堆 "arbitrary" 过滤器如下。
- C0='true' 和 C1='false'
- C0='false' 和 C3='true'
- 等等...
我通常使用 util 方法动态获取这些过滤器。
val filters: List[String] = getFilters()
我所做的就是将这些过滤器应用于 DataFrame
以获取计数。例如.
val counts = filters.map(filter => {
df.where(filter).count
})
我注意到在过滤器上映射时这不是 parallel/distributed 操作。如果我将过滤器粘贴到 RDD/DataFrame 中,这种方法也不会起作用,因为我将执行嵌套数据帧操作(正如我在 SO 上读到的那样,Spark 中不允许这样做)。类似下面的内容给出了 NullPointerException (NPE)。
val df = spark.read.parquet("hdfs://box/some-parquet")
val filterRDD = spark.sparkContext.parallelize(List("C0='false'", "C1='true'"))
val counts = filterRDD.map(df.filter(_).count).collect
原因:java.lang.NullPointerException
在 org.apache.spark.sql.Dataset.filter(Dataset.scala:1127)
在 $anonfun$1.apply(:27)
在 $anonfun$1.apply(:27)
在 scala.collection.Iterator$$anon$11.next(Iterator.scala:409)
在 scala.collection.Iterator$class.foreach(Iterator.scala:893)
在 scala.collection.AbstractIterator.foreach(Iterator.scala:1336)
在 scala.collection.generic.Growable$class.$plus$plus$eq(Growable.scala:59)
在 scala.collection.mutable.ArrayBuffer.$plus$plus$eq(ArrayBuffer.scala:104)
在 scala.collection.mutable.ArrayBuffer.$plus$plus$eq(ArrayBuffer.scala:48)
在 scala.collection.TraversableOnce$class.to(TraversableOnce.scala:310)
在 scala.collection.AbstractIterator.to(Iterator.scala:1336)
在 scala.collection.TraversableOnce$class.to 缓冲区(TraversableOnce.scala:302)
在 scala.collection.AbstractIterator.to 缓冲区(Iterator.scala:1336)
在 scala.collection.TraversableOnce$class.to 数组(TraversableOnce.scala:289)
在 scala.collection.AbstractIterator.to 数组 (Iterator.scala:1336)
在 org.apache.spark.rdd.RDD$$anonfun$collect$1$$anonfun$13.apply(RDD.scala:912)
在 org.apache.spark.rdd.RDD$$anonfun$collect$1$$anonfun$13.apply(RDD.scala:912)
在 org.apache.spark.SparkContext$$anonfun$runJob$5.apply(SparkContext.scala:1899)
在 org.apache.spark.SparkContext$$anonfun$runJob$5.apply(SparkContext.scala:1899)
在 org.apache.spark.scheduler.ResultTask.runTask(ResultTask.scala:70)
在 org.apache.spark.scheduler.Task.run(Task.scala:86)
在 org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:274)
在 java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1142)
在 java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617)
在 java.lang.Thread.run(Thread.java:745)
有什么方法可以 parallelize/distribute Spark 中 DataFrame
的计数过滤器吗?顺便说一句,我在 Spark v2.0.2.
通过这样做,唯一可预期的收益(可能非常可观)是仅传递一次输入数据。
我会这样做(编程解决方案,但等效 SQL 是可能的):
- 将您的过滤器转换为 return 1 或 0
的 UDF
- 为每个 UDFS 添加一列
- 分组依据/汇总您的数据。
示例 spark 会话如下所示:
scala> val data = spark.createDataFrame(Seq("A", "BB", "CCC").map(Tuple1.apply)).withColumnRenamed("_1", "input")
data: org.apache.spark.sql.DataFrame = [input: string]
scala> data.show
+-----+
|input|
+-----+
| A|
| BB|
| CCC|
+-----+
scala> val containsBFilter = udf((input: String) => if(input.contains("B")) 1 else 0)
containsBFilter: org.apache.spark.sql.expressions.UserDefinedFunction = UserDefinedFunction(<function1>,IntegerType,Some(List(StringType)))
scala> val lengthFilter = udf((input: String) => if (input.length < 3) 1 else 0)
lengthFilter: org.apache.spark.sql.expressions.UserDefinedFunction = UserDefinedFunction(<function1>,IntegerType,Some(List(StringType)))
scala> data.withColumn("inputLength", lengthFilter($"input")).withColumn("containsB", containsBFilter($"input")).select(sum($"inputLength"), sum($"containsB")).show
+----------------+--------------+
|sum(inputLength)|sum(containsB)|
+----------------+--------------+
| 2| 1|
+----------------+--------------+
我有一个 DataFrame
,我必须对其应用一系列过滤器查询。例如,我按如下方式加载 DataFrame
。
val df = spark.read.parquet("hdfs://box/some-parquet")
然后我有一堆 "arbitrary" 过滤器如下。
- C0='true' 和 C1='false'
- C0='false' 和 C3='true'
- 等等...
我通常使用 util 方法动态获取这些过滤器。
val filters: List[String] = getFilters()
我所做的就是将这些过滤器应用于 DataFrame
以获取计数。例如.
val counts = filters.map(filter => {
df.where(filter).count
})
我注意到在过滤器上映射时这不是 parallel/distributed 操作。如果我将过滤器粘贴到 RDD/DataFrame 中,这种方法也不会起作用,因为我将执行嵌套数据帧操作(正如我在 SO 上读到的那样,Spark 中不允许这样做)。类似下面的内容给出了 NullPointerException (NPE)。
val df = spark.read.parquet("hdfs://box/some-parquet")
val filterRDD = spark.sparkContext.parallelize(List("C0='false'", "C1='true'"))
val counts = filterRDD.map(df.filter(_).count).collect
原因:java.lang.NullPointerException 在 org.apache.spark.sql.Dataset.filter(Dataset.scala:1127) 在 $anonfun$1.apply(:27) 在 $anonfun$1.apply(:27) 在 scala.collection.Iterator$$anon$11.next(Iterator.scala:409) 在 scala.collection.Iterator$class.foreach(Iterator.scala:893) 在 scala.collection.AbstractIterator.foreach(Iterator.scala:1336) 在 scala.collection.generic.Growable$class.$plus$plus$eq(Growable.scala:59) 在 scala.collection.mutable.ArrayBuffer.$plus$plus$eq(ArrayBuffer.scala:104) 在 scala.collection.mutable.ArrayBuffer.$plus$plus$eq(ArrayBuffer.scala:48) 在 scala.collection.TraversableOnce$class.to(TraversableOnce.scala:310) 在 scala.collection.AbstractIterator.to(Iterator.scala:1336) 在 scala.collection.TraversableOnce$class.to 缓冲区(TraversableOnce.scala:302) 在 scala.collection.AbstractIterator.to 缓冲区(Iterator.scala:1336) 在 scala.collection.TraversableOnce$class.to 数组(TraversableOnce.scala:289) 在 scala.collection.AbstractIterator.to 数组 (Iterator.scala:1336) 在 org.apache.spark.rdd.RDD$$anonfun$collect$1$$anonfun$13.apply(RDD.scala:912) 在 org.apache.spark.rdd.RDD$$anonfun$collect$1$$anonfun$13.apply(RDD.scala:912) 在 org.apache.spark.SparkContext$$anonfun$runJob$5.apply(SparkContext.scala:1899) 在 org.apache.spark.SparkContext$$anonfun$runJob$5.apply(SparkContext.scala:1899) 在 org.apache.spark.scheduler.ResultTask.runTask(ResultTask.scala:70) 在 org.apache.spark.scheduler.Task.run(Task.scala:86) 在 org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:274) 在 java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1142) 在 java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617) 在 java.lang.Thread.run(Thread.java:745)
有什么方法可以 parallelize/distribute Spark 中 DataFrame
的计数过滤器吗?顺便说一句,我在 Spark v2.0.2.
通过这样做,唯一可预期的收益(可能非常可观)是仅传递一次输入数据。
我会这样做(编程解决方案,但等效 SQL 是可能的):
- 将您的过滤器转换为 return 1 或 0 的 UDF
- 为每个 UDFS 添加一列
- 分组依据/汇总您的数据。
示例 spark 会话如下所示:
scala> val data = spark.createDataFrame(Seq("A", "BB", "CCC").map(Tuple1.apply)).withColumnRenamed("_1", "input")
data: org.apache.spark.sql.DataFrame = [input: string]
scala> data.show
+-----+
|input|
+-----+
| A|
| BB|
| CCC|
+-----+
scala> val containsBFilter = udf((input: String) => if(input.contains("B")) 1 else 0)
containsBFilter: org.apache.spark.sql.expressions.UserDefinedFunction = UserDefinedFunction(<function1>,IntegerType,Some(List(StringType)))
scala> val lengthFilter = udf((input: String) => if (input.length < 3) 1 else 0)
lengthFilter: org.apache.spark.sql.expressions.UserDefinedFunction = UserDefinedFunction(<function1>,IntegerType,Some(List(StringType)))
scala> data.withColumn("inputLength", lengthFilter($"input")).withColumn("containsB", containsBFilter($"input")).select(sum($"inputLength"), sum($"containsB")).show
+----------------+--------------+
|sum(inputLength)|sum(containsB)|
+----------------+--------------+
| 2| 1|
+----------------+--------------+