计算Spark中UDF的调用

Question

使用Spark 1.6.1，我想调用UDF的次数。我之所以要这样做，是因为我有一个非常昂贵的UDF（每次调用大约1秒），并且我怀疑UDF的调用频率比数据框中的记录数更多，这使我的spark工作变得比必要的慢。

尽管无法重现这种情况，但我想出了一个简单的示例，该示例显示了对UDF的调用次数似乎与行数不同（在这里：更少），那怎么可能呢？

import org.apache.spark.sql.SQLContext
import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.sql.functions.udf

object Demo extends App {
  val conf = new SparkConf().setMaster("local[4]").setAppName("Demo")
  val sc = new SparkContext(conf)
  sc.setLogLevel("WARN")
  val sqlContext = new SQLContext(sc)
  import sqlContext.implicits._


  val callCounter = sc.accumulator(0)

  val df= sc.parallelize(1 to 10000,numSlices = 100).toDF("value")

  println(df.count) //  gives 10000

  val myudf = udf((d:Int) => {callCounter.add(1);d})

  val res = df.withColumn("result",myudf($"value")).cache

  println(res.select($"result").collect().size) // gives 10000
  println(callCounter.value) // gives 9941

}

如果使用累加器不是调用UDF计数的正确方法，我还能怎么做？

注意：在我的实际Spark-Job中，获得的呼叫计数大约是实际记录数的1.7倍。

Answer 1

Spark 应用程序应该定义 main() 方法，而不是扩展 scala.App。scala.App 的子类可能无法正常工作。

import org.apache.spark.sql.SQLContext
import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.sql.functions.udf

object Demo extends App {
    def main(args: Array[String]): Unit = {
         val conf = new SparkConf().setAppName("Simple Application").setMaster("local[4]")
         val sc = new SparkContext(conf)
         // [...]
    }   
}

这应该可以解决你的问题。