将 spark ui 中昂贵的代码部分追溯到 pyspark 的一部分

Question

我有一些包含大量连接和聚合的 pyspark 代码。我已经启用了 spark ui，并且一直在深入研究事件计时、工作阶段和 dag 可视化。我可以找到昂贵部件的任务 ID 和执行者 ID。有没有人知道如何将 spark ui 输出（任务 id、执行程序 id）中昂贵的部分与我的 pyspark 代码的一部分联系起来？就像我从输出中可以看出，昂贵的部分是由我所有连接的大量随机操作引起的，但确定哪个连接是罪魁祸首真的很方便。

Answer 1

您最好的方法是开始在代码的各个部分对数据框应用操作。选择一个地方，将其写入文件，读回，然后继续。 这将使您能够识别瓶颈。您也可以在 UI 中观察到一小部分执行。