避免加入 Spark Scala DataFrame

Question

我必须根据位于 Azure Blob 存储文件夹中的 JSON 文件进行计算。我正在 Azure HDInsight 上处理 Apache Spark。

此文件夹有一个与跟踪顺序相关的编号。如果存在更高的数字，我必须阅读此文件夹的 JSON 并丢弃数字较小的文件夹。例如，如果我有一个名为 20200501-1 和 20200501-2 的文件夹，我必须读取 20200501-2.

我在 Apache Spark 中找到的解决方案是读取路径，并向数据框添加一列，如下所示：

val visits = session.read.schema(schema).json(pathData).withColumn("path", input_file_name())

并且通过这条路我做了一些转变。但是，这种转换涉及连接和分组，因此，当我运行集群中具有大型数据集的作业时，Spark 作业会花费大量时间。是否有可能进行不同的转换？或者改进我的方法。

我的转换使用这样的数据框（添加一列之后）：

  val visits = Seq(
    ("ITEM4449", 33, "https://somefolder@some.net/20200514-1/somename.json"),
    ("ITEM4450", 16, "https://somefolder@some.net/20200514-1/somename.json"),
    ("ITEM1111", 88, "https://somefolder@some.net/20200514-2/somename.json"),
    ("ITEM4453", 64, "https://somefolder@some.net/20200514-1/somename.json"),
    ("ITEM1111", 12, "https://somefolder@some.net/20200514-1/somename.json")).
    toDF("itemId", "visits", "path")

我做了这个改造：

  def discardByTrackingCode(rawDataFrame: DataFrame): DataFrame = {
    val visitWithColumn = rawDataFrame.
      withColumn("tracking_version",
        expr("substring(path, 38, 1)"))
    val itemVersionDf = visitWithColumn.
      withColumn("item_version",
        concat(col("ItemId"), lit("_"), col("tracking_version")))
    val versionToTakeDf = itemVersionDf.
      groupBy(col("ItemId").as("item_id_delete")).
      agg(max("item_version").as("item_version"))
    val itemReport = itemVersionDf.join(versionToTakeDf, Seq("item_version"))
    val finalDf = itemReport.select("ItemId", "Visits", "item_version")
    finalDf
  }

并得到如下数据框，是正确的：

+--------+------+------------+
|ItemId  |Visits|item_version|
+--------+------+------------+
|ITEM4449|33    |ITEM4449_1  |
|ITEM4450|16    |ITEM4450_1  |
|ITEM1111|88    |ITEM1111_2  |
|ITEM4453|64    |ITEM4453_1  |
+--------+------+------------+

有没有最有效的方法使这个功能起作用？除此之外。是否可以（或更可取）使用 Hadoop FileSystem class?

查找文件夹

Answer 1

你可以尝试使用Window表达式：

import org.apache.spark.sql.functions._
import org.apache.spark.sql.expressions.Window

val window = Window.partitionBy("itemidnumber").orderBy(desc("fileVersion"))

val visits = Seq(
    ("ITEM4449", 33, "https://somefolder@some.net/20200514-1/somename.json"),
    ("ITEM4450", 16, "https://somefolder@some.net/20200514-1/somename.json"),
    ("ITEM1111", 88, "https://somefolder@some.net/20200514-2/somename.json"),
    ("ITEM4453", 64, "https://somefolder@some.net/20200514-1/somename.json"),
    ("ITEM1111", 12, "https://somefolder@some.net/20200514-1/somename.json"))
    .toDF("itemId", "visits", "path")
    .withColumn("itemidnumber", expr("substring(itemId, 5, 4)"))
    .withColumn("fileversion", expr("substring(path, 38, 1)"))
    .withColumn("tracking_version", expr("concat(itemidnumber, substring(path, 38, 1))"))
    .withColumn("row_number", row_number.over(window))
    .filter($"row_number" === 1)    

    display(visits)

输出：

避免加入 Spark Scala DataFrame

Avoid Join in Spark Scala DataFrame

hadoop

scala

apache-spark

azure-hdinsight