计算每个pyspark RDD分区中的元素数

Question

我正在寻找与这个问题相当的Pyspark:如何获得分区中的元素数量？.

具体来说,我想以编程方式计算pyspark RDD或dataframe的每个分区中的元素数量(我知道这些信息在Spark Web UI中可用).

此尝试导致"AttributeError:'NoneType'对象没有属性'_jvm'":

df.foreachPartition(lambda iter: sum(1 for _ in iter))

我不想将迭代器的内容收集到内存中.

Answer 1

如果你问:我们可以在没有迭代的情况下获得迭代器中的元素数量吗？答案是否定的.

但是我们不必将它存储在内存中,就像你提到的帖子一样:

def count_in_a_partition(idx, iterator):
  count = 0
  for _ in iterator:
    count += 1
  return idx, count

data = sc.parallelize([
    1, 2, 3, 4
], 4)

data.mapPartitionsWithIndex(count_in_a_partition).collect()

编辑

请注意,您的代码非常接近解决方案,只需mapPartitions返回迭代器:

def count_in_a_partition(iterator):
  yield sum(1 for _ in iterator)

data.mapPartitions(count_in_a_partition).collect()