限制 spark 上下文中的记录数量

Limit the amount of records in a spark context

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

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(randomSplitsample)将需要与 zipWithIndexfilter 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