Apache spark 并行排序工作节点上的PySpark数据帧
我在主节点上有一个分布式spark数据帧列表,我想在单独的工作节点(我的spark cluster conatins 4节点)上并行地对每个数据帧进行排序。可以使用map()或flatMap()吗?或者别的什么。谢谢 您可以使用Apache spark 并行排序工作节点上的PySpark数据帧,apache-spark,pyspark,pyspark-dataframes,Apache Spark,Pyspark,Pyspark Dataframes,我在主节点上有一个分布式spark数据帧列表,我想在单独的工作节点(我的spark cluster conatins 4节点)上并行地对每个数据帧进行排序。可以使用map()或flatMap()吗?或者别的什么。谢谢 您可以使用sortWithinPartitions方法为每个分区并行排序数据。每个工作者都有自己的分区数据 根据我对1000000个随机编号的列表的经验,sortWithinPartitions将性能提升了2倍 //Create a list with size 1000000 o
sortWithinPartitions
方法为每个分区并行排序数据。每个工作者都有自己的分区数据
根据我对1000000个随机编号的列表的经验,sortWithinPartitions
将性能提升了2倍
//Create a list with size 1000000 of random nos.
spark.sparkContext.parallelize(for (i <- 1 to 1000000) yield r.nextInt(1000000) )
.toDF // Convert to dataframe with single column 'value'
.sortWithinPartitions(col("value")) // Sort the partition in parallel i.e. similair to sortin data on each worker
.sort(col("value")) // Final sort on complete data set
.map(r=>r.getInt(0)).collectAsList().toSeq // Collecting the result in list
//创建一个大小为1000000的随机编号列表。
spark.sparkContext.parallelize(对于(i r.getInt(0)).collectAsList().toSeq//在列表中收集结果
谢谢!我会试试的。