PySpark 单元测试方法

Question

我编写了一个 PySpark 应用程序，它将一个带有 10 个查找表的大表连接起来，然后使用 df.when 子句对该表进行一些转换。为每个查找表定义 df 并将它们连接起来占用脚本中的大部分行。我如何对此进行单元测试？是否对每个查找表和最终表使用 sc.parallize 并检查转换？你通常如何对 Spark 应用程序进行单元测试？

Answer 1

帅远的评论很好，你应该使用现有的框架，如 py.test 在 Python 中进行测试。为了更直接地回答 DataFrames 的问题，我建议您不要使用 sc.parallelize，而是使用 spark.createDataFrame 来实例化您传递给函数的 DataFrame。然后，您可以在输出上调用 df.collect() 并断言输出中的行数是您所期望的以及列的值。