Scala 如何定义数据帧的分区?
我已经开始在Spark 1.4.0中使用Spark SQL和数据帧。我想在Scala中定义数据帧上的自定义分区器,但不知道如何实现 我正在使用的一个数据表包含一个事务列表,按帐户分类,如下例所示Scala 如何定义数据帧的分区?,scala,apache-spark,dataframe,apache-spark-sql,partitioning,Scala,Apache Spark,Dataframe,Apache Spark Sql,Partitioning,我已经开始在Spark 1.4.0中使用Spark SQL和数据帧。我想在Scala中定义数据帧上的自定义分区器,但不知道如何实现 我正在使用的一个数据表包含一个事务列表,按帐户分类,如下例所示 Account Date Type Amount 1001 2014-04-01 Purchase 100.00 1001 2014-04-01 Purchase 50.00 1001 2014-04-05 Purchase 70
Account Date Type Amount
1001 2014-04-01 Purchase 100.00
1001 2014-04-01 Purchase 50.00
1001 2014-04-05 Purchase 70.00
1001 2014-04-01 Payment -150.00
1002 2014-04-01 Purchase 80.00
1002 2014-04-02 Purchase 22.00
1002 2014-04-04 Payment -120.00
1002 2014-04-04 Purchase 60.00
1003 2014-04-02 Purchase 210.00
1003 2014-04-03 Purchase 15.00
至少在最初,大多数计算将在账户内的交易之间进行。因此,我希望对数据进行分区,以便一个帐户的所有事务都在同一个Spark分区中
但我没有找到一个定义这个的方法。DataFrame类有一个名为“重新分区(Int)”的方法,您可以在其中指定要创建的分区数。但我没有看到任何方法可用于为数据帧定义自定义分区器,例如可以为RDD指定
源数据存储在拼花地板中。我确实看到,当向Parquet写入数据帧时,您可以指定一个列来进行分区,因此我可以告诉Parquet按“Account”列对其数据进行分区。但可能有数百万个帐户,如果我正确理解拼花,它会为每个帐户创建一个不同的目录,所以这听起来不是一个合理的解决方案
有没有办法让Spark对此数据帧进行分区,以便帐户的所有数据都在同一分区中?使用以下方法返回的数据帧:
yourDF.orderBy(account)
没有明确的方法在数据帧上使用partitionBy
,仅在PairRDD上使用,但是当您对数据帧进行排序时,它将在其逻辑计划中使用该方法,这将有助于您对每个帐户进行计算
我只是偶然发现了同样的问题,有一个我想按帐户划分的数据帧。
我假设,当您说“希望对数据进行分区,以便一个帐户的所有事务都在同一个Spark分区中”时,您希望它具有规模和性能,但您的代码并不依赖于它(例如使用
mapPartitions()
等),对吗?在Spark<1.6中,如果您创建HiveContext
,不是普通的老式SqlContext
例如,您可以使用distributed BY colX…
(确保N个还原器中的每一个都获得不重叠的x范围)和CLUSTER BY colX…
(distributed BY和Sort BY的快捷方式)
df.registerTempTable("partitionMe")
hiveCtx.sql("select * from partitionMe DISTRIBUTE BY accountId SORT BY accountId, date")
不确定这是否适合Spark DF api。在普通SqlContext中不支持这些关键字(注意,使用HiveContext不需要配置单元元存储)
编辑:Spark 1.6+现在在本机DataFrame API中有这样的功能,所以首先要回答:)-你不能 我不是专家,但就我所了解的数据帧而言,它们并不等于rdd,并且数据帧没有分区器 一般来说,DataFrame的想法是提供另一个抽象级别来处理这些问题。DataFrame上的查询被转换为逻辑计划,然后再转换为RDD上的操作。您建议的分区可能会自动应用,或者至少应该自动应用
如果您不相信SparkSQL会提供某种最佳的工作,那么您可以按照注释中的建议,将DataFrame转换为RDD[Row]。但我不知道这对你来说是否是一个可接受的解决方案。 一旦DF作为RDD可用,就可以应用来执行数据的自定义重新分区 以下是我使用的一个示例:
class DatePartitioner(partitions: Int) extends Partitioner {
override def getPartition(key: Any): Int = {
val start_time: Long = key.asInstanceOf[Long]
Objects.hash(Array(start_time)) % partitions
}
override def numPartitions: Int = partitions
}
myRDD
.repartitionAndSortWithinPartitions(new DatePartitioner(24))
.map { v => v._2 }
.toDF()
.write.mode(SaveMode.Overwrite)
火花>=2.3.0
公开范围分区
val partitionedByRange = df.repartitionByRange(42, $"k")
partitionedByRange.explain
// == Parsed Logical Plan ==
// 'RepartitionByExpression ['k ASC NULLS FIRST], 42
// +- AnalysisBarrier Project [_1#2 AS k#5, _2#3 AS v#6]
//
// == Analyzed Logical Plan ==
// k: string, v: int
// RepartitionByExpression [k#5 ASC NULLS FIRST], 42
// +- Project [_1#2 AS k#5, _2#3 AS v#6]
// +- LocalRelation [_1#2, _2#3]
//
// == Optimized Logical Plan ==
// RepartitionByExpression [k#5 ASC NULLS FIRST], 42
// +- LocalRelation [k#5, v#6]
//
// == Physical Plan ==
// Exchange rangepartitioning(k#5 ASC NULLS FIRST, 42)
// +- LocalTableScan [k#5, v#6]
在中公开外部格式分区
火花>=1.6.0
在Spark>=1.6中,可以使用按列划分的方法进行查询和缓存。请参阅:并使用重新分区
方法:
val df = Seq(
("A", 1), ("B", 2), ("A", 3), ("C", 1)
).toDF("k", "v")
val partitioned = df.repartition($"k")
partitioned.explain
// scala> df.repartition($"k").explain(true)
// == Parsed Logical Plan ==
// 'RepartitionByExpression ['k], None
// +- Project [_1#5 AS k#7,_2#6 AS v#8]
// +- LogicalRDD [_1#5,_2#6], MapPartitionsRDD[3] at rddToDataFrameHolder at <console>:27
//
// == Analyzed Logical Plan ==
// k: string, v: int
// RepartitionByExpression [k#7], None
// +- Project [_1#5 AS k#7,_2#6 AS v#8]
// +- LogicalRDD [_1#5,_2#6], MapPartitionsRDD[3] at rddToDataFrameHolder at <console>:27
//
// == Optimized Logical Plan ==
// RepartitionByExpression [k#7], None
// +- Project [_1#5 AS k#7,_2#6 AS v#8]
// +- LogicalRDD [_1#5,_2#6], MapPartitionsRDD[3] at rddToDataFrameHolder at <console>:27
//
// == Physical Plan ==
// TungstenExchange hashpartitioning(k#7,200), None
// +- Project [_1#5 AS k#7,_2#6 AS v#8]
// +- Scan PhysicalRDD[_1#5,_2#6]
由于从RDD
创建DataFrame
只需要简单的映射阶段,因此应保留现有分区布局*:
assert(df.rdd.partitions == partitioned.partitions)
与重新分区现有数据帧的方法相同:
sqlContext.createDataFrame(
df.rdd.map(r => (r.getInt(1), r)).partitionBy(partitioner).values,
df.schema
)
所以看起来这不是不可能的。问题在于它是否有意义。我会说,大多数情况下,它不会:
- 在某些情况下加入,但需要内部支持
- 使用匹配的分区器调用窗口函数。同上,仅限于单个窗口定义。但它已经在内部分区,因此预分区可能是多余的
- 使用
按
分组的简单聚合-可以减少临时缓冲区的内存占用**,但总体成本要高得多。或多或少相当于
(当前行为)与groupByKey.mapValues(u.reduce)
(预分区)。在实践中不太可能有用reduceByKey
- 使用
进行数据压缩。因为它看起来像是在使用运行长度编码,所以应用SqlContext.cacheTable
可以提高压缩比李>OrderedRDDFunctions.repartitionAndSortWithinPartitions
sqlContext.read.jdbc(url, table, Array("foo = 1", "foo = 3"), props)
它创造
sqlContext.read.jdbc(url, table, Array("foo = 1", "foo = 3"), props)
val df = Seq(
("foo", 1.0), ("bar", 2.0), ("foo", 1.5), ("bar", 2.6)
).toDF("k", "v")
df.write.partitionBy("k").json("/tmp/foo.json")
val df1 = sqlContext.read.schema(df.schema).json("/tmp/foo.json")
df1.where($"k" === "bar")
val cnts = df1.groupBy($"k").sum()
cnts.explain
// == Physical Plan ==
// TungstenAggregate(key=[k#90], functions=[(sum(v#91),mode=Final,isDistinct=false)], output=[k#90,sum(v)#93])
// +- TungstenExchange hashpartitioning(k#90,200), None
// +- TungstenAggregate(key=[k#90], functions=[(sum(v#91),mode=Partial,isDistinct=false)], output=[k#90,sum#99])
// +- Scan JSONRelation[k#90,v#91] InputPaths: file:/tmp/foo.json
// Temporarily disable broadcast joins
spark.conf.set("spark.sql.autoBroadcastJoinThreshold", -1)
df.write.bucketBy(42, "k").saveAsTable("df1")
val df2 = Seq(("A", -1.0), ("B", 2.0)).toDF("k", "v2")
df2.write.bucketBy(42, "k").saveAsTable("df2")
// == Physical Plan ==
// *Project [k#41, v#42, v2#47]
// +- *SortMergeJoin [k#41], [k#46], Inner
// :- *Sort [k#41 ASC NULLS FIRST], false, 0
// : +- *Project [k#41, v#42]
// : +- *Filter isnotnull(k#41)
// : +- *FileScan parquet default.df1[k#41,v#42] Batched: true, Format: Parquet, Location: InMemoryFileIndex[file:/spark-warehouse/df1], PartitionFilters: [], PushedFilters: [IsNotNull(k)], ReadSchema: struct<k:string,v:int>
// +- *Sort [k#46 ASC NULLS FIRST], false, 0
// +- *Project [k#46, v2#47]
// +- *Filter isnotnull(k#46)
// +- *FileScan parquet default.df2[k#46,v2#47] Batched: true, Format: Parquet, Location: InMemoryFileIndex[file:/spark-warehouse/df2], PartitionFilters: [], PushedFilters: [IsNotNull(k)], ReadSchema: struct<k:string,v2:double>