spark mapPartitionsWithIndex 处理空分区

Question

在mapPartitionsWithIndex中应该如何处理空分区？

可以找到完整的示例：https://gist.github.com/geoHeil/6a23d18ccec085d486165089f9f430f2

我的目标是通过 RDD 用最后一个已知值填充 nan 值，作为对 .

的改进

但有些分区不包含任何值：

###################### carry 
Map(2 -> None, 5 -> None, 4 -> None, 7 -> Some(FooBar(2016-01-04,lastAssumingSameDate)), 1 -> Some(FooBar(2016-01-01,first)), 3 -> Some(FooBar(2016-01-02,second)), 6 -> None, 0 -> None)
(2,None)
(5,None)
(4,None)
(7,Some(FooBar(2016-01-04,lastAssumingSameDate)))
(1,Some(FooBar(2016-01-01,first)))
(3,Some(FooBar(2016-01-02,second)))
(6,None)
(0,None)
()
###################### carry 

case class FooBar(foo: Option[Date], bar: String)
val myDf = Seq(("2016-01-01", "first"), ("2016-01-02", "second"),
    ("2016-wrongFormat", "noValidFormat"),
    ("2016-01-04", "lastAssumingSameDate"))
    .toDF("foo", "bar")
    .withColumn("foo", 'foo.cast("Date"))
    .as[FooBar]
def notMissing(row: Option[FooBar]): Boolean = row.isDefined && row.get.foo.isDefined
myDf.rdd.filter(x => notMissing(Some(x))).count
val toCarry: Map[Int, Option[FooBar]] = myDf.rdd.mapPartitionsWithIndex { case (i, iter) => Iterator((i, iter.filter(x => notMissing(Some(x))).toSeq.lastOption)) }.collectAsMap

使用时

val toCarryBd = spark.sparkContext.broadcast(toCarry)
def fill(i: Int, iter: Iterator[FooBar]): Iterator[FooBar] = {
    if (iter.isEmpty) {
      iter
    } else {
      var lastNotNullRow: Option[FooBar] = toCarryBd.value.get(i).get
      iter.map(foo => {
        println("original ", foo)
        if (!notMissing(Some(foo))) {
          println("replaced")
          // this will go into the default case
          // FooBar(lastNotNullRow.getOrElse(FooBar(Option(Date.valueOf("2016-01-01")), "DUMMY")).foo, foo.bar)
          FooBar(lastNotNullRow.get.foo, foo.bar) // TODO warning this throws an error
        } else {
          lastNotNullRow = Some(foo)
          foo
        }
      })
    }
  }

  val imputed: RDD[FooBar] = myDf.rdd.mapPartitionsWithIndex { case (i, iter) => fill(i, iter) }

填写它会崩溃的值。

编辑

如果应用来自答案的输入，则输出。仍然不是 100%

+----------+--------------------+
|       foo|                 bar|
+----------+--------------------+
|2016-01-01|               first|
|2016-01-02|              second|
|2016-01-04|       noValidFormat|
|2016-01-04|lastAssumingSameDate|
+----------+--------------------+

Answer 1

就处理 mapPartitions（和类似）时的空分区而言，一般方法是 return 当您有一个空输入迭代器时，使用正确类型的空迭代器。

看起来您的代码正在执行此操作，但您的应用程序逻辑中似乎存在错误（即它假设如果分区有一条记录缺少值，则它要么在中有前一行相同的分区是好的，或者前一个分区不是空的并且有一个好的行 - 不一定是这种情况）。您已经部分解决了这个问题，方法是遍历并为每个分区收集最后一个先前的好值，然后如果您在分区开始时没有好值，请在收集的数组中查找该值。

但是，如果这也发生在前一个分区为空的同时，您将需要去查找之前的前一个分区值，直到找到您要查找的分区。（请注意，这假设您的数据集中的第一条记录有效，否则您的代码仍然会失败）。

您的解决方案非常接近工作，但只是有一些不一定总是成立的小假设。

spark mapPartitionsWithIndex 处理空分区

spark mapPartitionsWithIndex handling empty partitions

null

scala

partition

apache-spark

rdd

编辑