Spark2 Dataframe/RDD 分组处理

Question

我将以下 table 存储在名为 ExampleData 的 Hive 中：

+--------+-----+---|
|Site_ID |Time |Age|
+--------+-----+---|
|1       |10:00| 20|
|1       |11:00| 21|
|2       |10:00| 24|
|2       |11:00| 24|
|2       |12:00| 20|
|3       |11:00| 24|
+--------+-----+---+

我需要能够按站点处理数据。不幸的是，按站点对其进行分区不起作用（有超过 10 万个站点，所有站点的数据量都非常小）。

对于每个站点，我需要分别 select Time 列和 Age 列，并使用它来输入一个函数（理想情况下我想运行在执行程序上，而不是driver)

我有一个我认为我希望它如何工作的存根，但是这个解决方案只会在 driver 上运行，所以它非常慢。我需要找到一种编写它的方法，这样它就会运行一个执行者级别：

// fetch a list of distinct sites and return them to the driver 
//(if you don't, you won't be able to loop around them as they're not on the executors)
val distinctSites = spark.sql("SELECT site_id FROM ExampleData GROUP BY site_id LIMIT 10")
.collect

val allSiteData = spark.sql("SELECT site_id, time, age FROM ExampleData")

distinctSites.foreach(row => {
    allSiteData.filter("site_id = " + row.get(0))
    val times = allSiteData.select("time").collect()
    val ages = allSiteData.select("ages").collect()
    processTimesAndAges(times, ages)
})

def processTimesAndAges(times: Array[Row], ages: Array[Row]) {
    // do some processing
}

我试过在所有节点上广播 distinctSites，但这并没有取得成果。

这似乎是一个简单的概念，但我花了几天时间研究它。我是 Scala/Spark 的新手，如果这是一个荒谬的问题，我深表歉意！

非常感谢任何建议或提示。

Answer 1

RDD API 提供了许多函数，可用于在组中执行操作，从低级 repartition / repartitionAndSortWithinPartitions 开始，到许多 *byKey 方法（combineByKey、groupByKey、reduceByKey 等）结束。 ).

示例：

rdd.map( tup => ((tup._1, tup._2, tup._3), tup) ).
  groupByKey().
  forEachPartition( iter => doSomeJob(iter) )

在DataFrame中你可以使用聚合函数，GroupedData class 为最常用的函数提供了多种方法，包括count、max、min、mean和sum

示例：

   val df = sc.parallelize(Seq(
      (1, 10.3, 10), (1, 11.5, 10),
      (2, 12.6, 20), (3, 2.6, 30))
    ).toDF("Site_ID ", "Time ", "Age")

df.show()

+--------+-----+---+
|Site_ID |Time |Age|
+--------+-----+---+
|       1| 10.3| 10|
|       1| 11.5| 10|
|       2| 12.6| 20|
|       3|  2.6| 30|
+--------+-----+---+


    df.groupBy($"Site_ID ").count.show

+--------+-----+
|Site_ID |count|
+--------+-----+
|       1|    2|
|       3|    1|
|       2|    1|
+--------+-----+

注意：正如您提到的解决方案非常慢，您需要使用分区，在您的情况下范围分区是一个不错的选择。

Spark2 Dataframe/RDD 分组处理

Spark2 Dataframe/RDD process in groups

scala

bigdata

apache-spark

apache-spark-sql

spark-dataframe