如何针对 Spark DataFrame 并行化/分布查询/计数？

Question

我有一个DataFrame，我必须对其应用一系列过滤查询。例如，我如下加载我的DataFrame。

val df = spark.read.parquet("hdfs://box/some-parquet")

然后我有一堆“任意”过滤器，如下所示。

• C0='true' 和 C1='false'
• C0='false' 和 C3='true'
• 等等……

我通常使用 util 方法动态获取这些过滤器。

val filters: List[String] = getFilters()

我所做的只是将这些过滤器应用于DataFrame 以获取计数。例如。

val counts = filters.map(filter => {
 df.where(filter).count
})

我注意到映射过滤器时这不是并行/分布式操作。如果我将过滤器粘贴到 RDD/DataFrame 中，这种方法也不起作用，因为我将执行嵌套数据帧操作（正如我在 SO 上所读到的，Spark 中不允许这样做）。类似以下的内容会产生 NullPointerException (NPE)。

val df = spark.read.parquet("hdfs://box/some-parquet")
val filterRDD = spark.sparkContext.parallelize(List("C0='false'", "C1='true'"))
val counts = filterRDD.map(df.filter(_).count).collect

引起：java.lang.NullPointerException 在 org.apache.spark.sql.Dataset.filter(Dataset.scala:1127) 在 $anonfun$1.apply(:27) 在 $anonfun$1.apply(:27) 在 scala.collection.Iterator$$anon$11.next(Iterator.scala:409) 在 scala.collection.Iterator$class.foreach(Ite​​rator.scala:893) 在 scala.collection.AbstractIterator.foreach(Ite​​rator.scala:1336) 在 scala.collection.generic.Growable$class.$plus$plus$eq(Growable.scala:59) 在 scala.collection.mutable.ArrayBuffer.$plus$plus$eq(ArrayBuffer.scala:104) 在 scala.collection.mutable.ArrayBuffer.$plus$plus$eq(ArrayBuffer.scala:48) 在 scala.collection.TraversableOnce$class.to(TraversableOnce.scala:310) 在 scala.collection.AbstractIterator.to(Iterator.scala:1336) 在 scala.collection.TraversableOnce$class.toBuffer(TraversableOnce.scala:302) 在 scala.collection.AbstractIterator.toBuffer(Iterator.scala:1336) 在 scala.collection.TraversableOnce$class.toArray(TraversableOnce.scala:289) 在 scala.collection.AbstractIterator.toArray(Iterator.scala:1336) 在 org.apache.spark.rdd.RDD$$anonfun$collect$1$$anonfun$13.apply(RDD.scala:912) 在 org.apache.spark.rdd.RDD$$anonfun$collect$1$$anonfun$13.apply(RDD.scala:912) 在 org.apache.spark.SparkContext$$anonfun$runJob$5.apply(SparkContext.scala:1899) 在 org.apache.spark.SparkContext$$anonfun$runJob$5.apply(SparkContext.scala:1899) 在 org.apache.spark.scheduler.ResultTask.runTask(ResultTask.scala:70) 在 org.apache.spark.scheduler.Task.run(Task.scala:86) 在 org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:27​​4) 在 java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1142) 在 java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617) 在 java.lang.Thread.run(Thread.java:745)

有没有办法在 Spark 中的 DataFrame 上并行化/分布计数过滤器？顺便说一句，我正在使用 Spark v2.0.2。

Answer 1

通过这样做，唯一可预期的收益（可能非常可观）将是仅在输入数据上传递一次。

我会这样做（编程解决方案，但等效的 SQL 是可能的）：

1. 将过滤器转换为返回 1 或 0 的 UDF
2. 为每个 UDFS 添加一列
3. 分组依据/汇总您的数据。

Spark 会话示例如下所示：

scala> val data = spark.createDataFrame(Seq("A", "BB", "CCC").map(Tuple1.apply)).withColumnRenamed("_1", "input")

data: org.apache.spark.sql.DataFrame = [input: string]

scala> data.show
+-----+
|input|
+-----+
|    A|
|   BB|
|  CCC|
+-----+

scala> val containsBFilter = udf((input: String) => if(input.contains("B")) 1 else 0)
containsBFilter: org.apache.spark.sql.expressions.UserDefinedFunction = UserDefinedFunction(<function1>,IntegerType,Some(List(StringType)))

scala> val lengthFilter = udf((input: String) => if (input.length < 3) 1 else 0)
lengthFilter: org.apache.spark.sql.expressions.UserDefinedFunction = UserDefinedFunction(<function1>,IntegerType,Some(List(StringType)))

scala> data.withColumn("inputLength", lengthFilter($"input")).withColumn("containsB", containsBFilter($"input")).select(sum($"inputLength"), sum($"containsB")).show

+----------------+--------------+
|sum(inputLength)|sum(containsB)|
+----------------+--------------+
|               2|             1|
+----------------+--------------+