Scala 在UDF中使用时,火花蓄能器为空
我正在努力优化我的Spark流程,并尝试使用带有蓄能器的UDF。我已经让累加器自己工作了,我想看看使用UDF是否能加快速度。但是,当我在UDF中包装累加器时,它仍然是空的。我是不是特别出了什么问题?即使使用我的Scala 在UDF中使用时,火花蓄能器为空,scala,apache-spark,Scala,Apache Spark,我正在努力优化我的Spark流程,并尝试使用带有蓄能器的UDF。我已经让累加器自己工作了,我想看看使用UDF是否能加快速度。但是,当我在UDF中包装累加器时,它仍然是空的。我是不是特别出了什么问题?即使使用我的.count它仍然没有执行,延迟执行是否会发生什么情况 输入: 0,[0.11,0.22] 1,[0.22,0.33] 输出: (0,0,0.11),(0,1,0.22),(1,0,0.22),(1,1,0.33) 代码 看起来这里唯一的问题是使用count来“触发”延迟评估的UDF:
.count
它仍然没有执行,延迟执行是否会发生什么情况
输入:
0,[0.11,0.22]
1,[0.22,0.33]
输出:
(0,0,0.11),(0,1,0.22),(1,0,0.22),(1,1,0.33)
代码
看起来这里唯一的问题是使用
count
来“触发”延迟评估的UDF:Spark“聪明”到足以意识到select
操作不能更改count
的结果,因此不能真正执行UDF。选择不同的操作(例如,收集
)表明UDF工作并更新累加器
下面是一个(更简洁)的示例:
成功了。但是收集感觉很有侵略性。我使用累加器来避免使用collect。我是不是有点偏执?哦,不,你绝对不应该在实际数据集的任何生产代码中使用collect;我只是用它来证明自己的行为;是否没有对数据帧执行其他操作?如果是这样的话,恐怕使用累加器有点滥用——它是用来产生副作用的(并且不如使用数据帧转换那么健壮和有弹性)。也许,如果问题是如何优化备选方案,我们需要查看您尝试过的备选方案的代码(
groupBy
,然后是collectamap
?),那么这就是我在进入这个兔子洞之前试图解决的实际问题。
val accum = new MapAccumulator2d()
val session = SparkSession.builder().getOrCreate()
session.sparkContext.register(accum)
//Does not work - Empty Accumlator
val rowAccum = udf((itemId: Int, item: mutable.WrappedArray[Float]) => {
val map = item
.zipWithIndex
.map(ff => {
((itemId, ff._2), ff._1.toDouble)
}).toMap
accum.add(map)
itemId
})
dataFrame.select(rowAccum(col("itemId"), col("jaccardList"))).count
//Works
dataFrame.foreach(f => {
val map = f.getAs[mutable.WrappedArray[Float]](1)
.zipWithIndex
.map(ff => {
((f.getInt(0), ff._2), ff._1.toDouble)
}).toMap
accum.add(map)
})
val list = accum.value.toList.map(f => (f._1._1, f._1._2, f._2))
val accum = sc.longAccumulator
val rowAccum = udf((itemId: Int) => { accum.add(itemId); itemId })
val dataFrame = Seq(1,2,3,4,5).toDF("itemId")
dataFrame.select(rowAccum(col("itemId"))).count() // won't trigger UDF
println(s"RESULT: ${accum.value}") // prints 0
dataFrame.select(rowAccum(col("itemId"))).collect() // triggers UDF
println(s"RESULT: ${accum.value}") // prints 15