如何在 partitionBy 输出之前平衡 Spark DataFrame 数据答案

【问题标题】：How to balance Spark DataFrame data before partitionBy output如何在 partitionBy 输出之前平衡 Spark DataFrame 数据
【发布时间】：2020-04-21 04:53:08
【问题描述】：

我有带有地理空间数据的 DataFrame。我想按列对它进行分区：数据源id 和quadkeys。

主要目标是一方面使文件的最小数量不大于特定大小。

另一方面，我想优化我的内存分区（如果太大，我可能会遇到内存不足异常）。

换句话说，我有qk = 0,1,2,3，以及每个quadkey的下一个记录数：0 (1000), 1 (1000), 2 (10000), 3(100000). At output files I desire to have next files (not more than 5000 records on each): 0 (1000) 1 (1000) 2_1 (5000) 2_2 (5000) 3_1 (5000) ... 3_10 (5000)

作为一种解决方案，我构建了一个分布查找而不是盐。我想知道有什么更好的解决方案。

val MAX_PARTITION_ROWS = 3000000

val pid = "sourceid"
val qk = "qk"
val distributionDf: Array[((Int, String), Int)] = stage.
  select(col(pid), col(qk), lit(1L) as "cnt").
  groupBy(pid,qk).
  agg(sum("cnt") as "sum").
  rdd.map(r=>((r.getInt(0), r.getString(1))->r.getLong(2).toInt)).collect
LOG.info(s"QK distribution\nQK |PID |Count |Partitions number")
LOG.info(s"${distributionDf.sortBy(-_._2).map(x=>s"${x._1._2} |${x._1._1} | ${x._2} | ${x._2/MAX_PARTITION_ROWS}").mkString("\n")}")

val r = scala.util.Random
val distributionMap = distributionDf map { case (k, v) => k -> (v/MAX_PARTITION_ROWS+1) }toMap
val saltUdf = udf((pid: Int, qk: String) => {
  val dev = distributionMap.getOrElse((pid, qk), 1)
  r.nextInt(dev)
})

val partitionsNumber = if (distributionMap.isEmpty) 1 else distributionMap.values.sum

stage.withColumn("salt", saltUdf(col(pid),col(qk)))
  .repartition(partitionsNumber, col(pid), col(qk), col("salt"))
  .drop("salt")
  .write.partitionBy(pid, qk)
  .format("parquet")
  .option("maxRecordsPerFile", (MAX_PARTITION_ROWS*1.2).toInt)
  .option("compression", "gzip")
  .save(destUrl)

【问题讨论】：

如果您提供示例数据框或数据回答者将给出您期望的正确响应。否则很难测试你的代码。

标签： scala apache-spark partitioning

【解决方案1】：

您可以使用maxRecordsPerFile 记录的here

示例实现

val df = spark.range(100).coalesce(1)
df.write.option("maxRecordsPerFile", 50).save(filePath)

【讨论】：

我也使用该选项。以上更新。问题是，对于某些 qk，我可以获得超过 50 Gbs 的分区，而其他分区可能只有几兆字节。这会大大减慢刷新操作，有时会导致 OOM 错误，因为在重新分区阶段这会大于 2Gb。