火花打印数据帧而不会耗尽内存答案

【问题标题】：Spark print dataframe Without Running Out Of Memory火花打印数据帧而不会耗尽内存
【发布时间】：2019-08-03 04:29:04
【问题描述】：

如何在 Java 中打印整个数据帧而不会耗尽内存？

Dataset<Row> df = ...

我知道：

df.show()

将显示数据框，但如果数据框足够大，则可能会耗尽内存。

我知道我可以使用以下方法限制内容：

df.show(rowCount, false)

但是想打印整个数据框，我不想限制内容...

我试过了：

df.foreachPartition(iter -> {
    while(iter.hasNext()){
       System.out.println(rowIter.next().mkString(",");)
     }
});

但这将打印在每个相应的节点上，而不是在驱动程序上...

如果有什么方法可以打印驱动程序中的所有内容而不会耗尽内存？

【问题讨论】：

标签： java apache-spark memory dataset partitioning

【解决方案1】：

AFAIK，打印数据框的想法是查看数据。

不建议打印大数据帧，因为数据帧大小可能会超出内存。

我提供以下方式，如果您想查看内容，则可以保存在 hive 表中并查询内容。或写入可读的csv或json

例子：

1) 保存在 hive 表中

df.write.mode("overwrite").saveAsTable("database.tableName")

稍后从 hive 表中查询。

2) csv 或 json

df.write.csv("/your/location/data.csv")
 df.write.json("/your/location/data.json")

如果你想要单个文件使用coalesce(1)，上面将生成多个部分文件（但这会再次将数据移动到一个不鼓励的节点，除非你绝对需要它）

其他选项是使用toLocalIterator see here 逐行打印，这也会将数据传输到节点...因此不是好主意

【讨论】：

【解决方案2】：

您必须将所有数据带到驱动程序，这会有点吸你的记忆:(...

解决方案可能是拆分您的数据帧并在驱动程序中逐个打印。当然，这取决于数据本身的结构，它看起来像：

long count = df.count();
long inc = count / 10;
for (long i = 0; i < count; i += inc) {
  Dataset<Row> filteredDf =
      df.where("id>=" + i + " AND id<" + (i + inc));

  List<Row> rows = filteredDf.collectAsList();
  for (Row r : rows) {
    System.out.printf("%d: %s\n", r.getAs(0), r.getString(1));
  }
}

我将数据集分成 10 个，但我知道我的 id 是从 1 到 100...

完整的例子可以是：

package net.jgp.books.sparkWithJava.ch20.lab900_splitting_dataframe;

import java.util.ArrayList;
import java.util.List;

import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.RowFactory;
import org.apache.spark.sql.SparkSession;
import org.apache.spark.sql.types.DataTypes;
import org.apache.spark.sql.types.StructField;
import org.apache.spark.sql.types.StructType;

/**
 * Splitting a dataframe to bring it back to the driver for local
 * processing.
 * 
 * @author jgp
 */
public class SplittingDataframeApp {

  /**
   * main() is your entry point to the application.
   * 
   * @param args
   */
  public static void main(String[] args) {
    SplittingDataframeApp app = new SplittingDataframeApp();
    app.start();
  }

  /**
   * The processing code.
   */
  private void start() {
    // Creates a session on a local master
    SparkSession spark = SparkSession.builder()
        .appName("Splitting a dataframe to collect it")
        .master("local")
        .getOrCreate();

    Dataset<Row> df = createRandomDataframe(spark);
    df = df.cache();

    df.show();
    long count = df.count();
    long inc = count / 10;
    for (long i = 0; i < count; i += inc) {
      Dataset<Row> filteredDf =
          df.where("id>=" + i + " AND id<" + (i + inc));

      List<Row> rows = filteredDf.collectAsList();
      for (Row r : rows) {
        System.out.printf("%d: %s\n", r.getAs(0), r.getString(1));
      }
    }
  }

  private static Dataset<Row> createRandomDataframe(SparkSession spark) {
    StructType schema = DataTypes.createStructType(new StructField[] {
        DataTypes.createStructField(
            "id",
            DataTypes.IntegerType,
            false),
        DataTypes.createStructField(
            "value",
            DataTypes.StringType,
            false) });

    List<Row> rows = new ArrayList<Row>();
    for (int i = 0; i < 100; i++) {
      rows.add(RowFactory.create(i, "Row #" + i));
    }
    Dataset<Row> df = spark.createDataFrame(rows, schema);
    return df;
  }
}

你认为这有帮助吗？

它不像将它保存在数据库中那样优雅，但它可以避免在您的架构中添加额外的组件。这段代码不是很通用，我不确定你是否可以在当前版本的 Spark 中使其通用。

【讨论】：