火花中是否有"Explain RDD"

Question

特别是，如果我说

rdd3 = rdd1.join(rdd2)

然后当我调用 rdd3.collect 时，根据所使用的 Partitioner，要么在节点分区之间移动数据，要么在每个分区上本地完成连接（或者，据我所知，完全是别的东西）。这取决于 RDD 论文中所说的 "narrow" 和 "wide" 依赖关系，但谁知道优化器在实践中有多好。

无论如何，我可以从跟踪输出中收集实际发生的事情，但最好调用 rdd3.explain。

有这种东西吗？

Answer 1

我想toDebugString会满足你的好奇心。

scala> val data = sc.parallelize(List((1,2)))
data: org.apache.spark.rdd.RDD[(Int, Int)] = ParallelCollectionRDD[8] at parallelize at <console>:21

scala> val joinedData = data join data
joinedData: org.apache.spark.rdd.RDD[(Int, (Int, Int))] = MapPartitionsRDD[11] at join at <console>:23

scala> joinedData.toDebugString
res4: String =
(8) MapPartitionsRDD[11] at join at <console>:23 []
 |  MapPartitionsRDD[10] at join at <console>:23 []
 |  CoGroupedRDD[9] at join at <console>:23 []
 +-(8) ParallelCollectionRDD[8] at parallelize at <console>:21 []
 +-(8) ParallelCollectionRDD[8] at parallelize at <console>:21 []

每个缩进都是一个阶段，所以这应该运行分为两个阶段。

此外，优化器相当不错，但是如果您使用 1.3+ 作为优化器，我建议使用 DataFrames 在许多情况下甚至更好:)

Answer 2

我会尽可能使用 Spark UI（Spark 上下文用于服务的网页）而不是 toDebugString。更容易理解，更多信息（根据我非常有限的经验，故障更少）。此外，Spark UI 显示每个阶段的任务数量及其输入和输出大小，这有助于弄清楚它的作用。

此外，两者显示的信息都很少。大多数情况下只是一个方框图表，上面写着 MapPartitionsRDD [12] 之类的内容，并不能说明该步骤的实际作用。（对于 WholeStageCodegen 框，org.apache.spark.sql.execution 下的 DEBUG 日志至少包含生成的代码。但是没有记录任何类型的 ID 来将它们与您在 Spark UI 上看到的内容配对.)

火花中是否有"Explain RDD"

Is there an "Explain RDD" in spark

apache-spark

rdd