限制 spark 上下文中的记录数量

Question

我想减少每个reducer的记录数，并保留结果变量a rdd

使用 takeSample 似乎是显而易见的选择，但是，它 returns 是一个 collection 而不是 SparkContext 对象。

我想到了这个方法：

rdd = rdd.zipWithIndex().filter(lambda x:x[1]<limit).map(lambda x:x[0])

但是，这种方法很慢而且效率不高。

有没有更聪明的方法来获取小样本并保持数据结构rdd？

Answer 1

如果你想要一个 small 示例子集并且不能对数据做任何额外的假设，那么 take 结合 parallelize 可能是一个最佳解决方案：

sc.parallelize(rdd.take(n))

它将触及相对较少的分区（在最好的情况下只有一个）并且小 n 的网络流量成本应该可以忽略不计。

采样（randomSplit 或 sample）将需要与 zipWithIndex 和 filter 相同的完整数据扫描。

假设没有数据倾斜，您可以尝试这样的方法来解决这个问题：

from __future__ import division  # Python 2 only

def limitApprox(rdd, n, timeout):
    count = rdd.countApprox(timeout)
    if count <= n:
        return rdd
    else:
        rec_per_part = count // rdd.getNumPartitions()
        required_parts = n / rec_per_part if rec_per_part else 1
        return rdd.mapPartitionsWithIndex(
            lambda i, iter: iter if i < required_parts else []
        )

这仍然会访问每个分区，但如果不需要，会尽量避免计算内容
如果存在较大的数据倾斜，将无法工作
- 如果分布均匀但 n << 比每个分区的平均记录数要多得多。
- 如果分布偏向高指数，可能会欠采样。

如果数据可以表示为 Row 你可以尝试另一个技巧：

rdd.toDF().limit(n).rdd

限制 spark 上下文中的记录数量

Limit the amount of records in a spark context

python

hadoop

apache-spark

rdd

pyspark