Spark UDF 未并行运行

Question

我正在尝试使用 Googlephonenumbers库的 Python 端口来规范化 5000 万个电话号码。我正在从 S3 上的 Parquet 文件读入 SparkDataFrame，然后在数据帧上运行操作。以下函数parsePhoneNumber表示为 UDF：

def isValidNumber(phoneNum):
    try:
        pn = phonenumbers.parse(phoneNum, "US")
    except:
        return False
    else:
        return phonenumbers.is_valid_number(pn) and phonenumbers.is_possible_number(pn)

def parsePhoneNumber(phoneNum):
    if isValidNumber(phoneNum):
        parsedNumber = phonenumbers.parse(phoneNum, "US")
        formattedNumber = phonenumbers.format_number(parsedNumber, phonenumbers.PhoneNumberFormat.E164)

        return (True, parsedNumber.country_code, formattedNumber, parsedNumber.national_number, parsedNumber.extension)
    else:
        return (False, None, None, None)

下面是我如何使用 UDF 派生新列的示例：

newDataFrame = oldDataFrame.withColumn("new_column", parsePhoneNumber_udf(oldDataFrame.phone)).select("id", "new_column".national_number)

通过运行display(newDataFrame)或newDataFrame.show(5)类似方式执行 UDF仅使用集群中的一个执行器，因此 UDF 中的某些内容似乎不会导致它仅在一个工作程序上运行。

如果我正在做任何会阻止它并行运行的事情，你能提供一些见解吗？

执行环境位于由 Databricks 控制的云集群上。

编辑：下面是输出 oldDataFrame.explain

== Parsed Logical Plan ==
Relation[id#621,person_id#622,phone#623,type#624,source_id#625,created_date#626,modified_date#627] parquet

== Analyzed Logical Plan ==
id: string, person_id: string, phone: string, type: string, source_id: string, created_date: string, modified_date: string
Relation[id#621,person_id#622,phone#623,type#624,source_id#625,created_date#626,modified_date#627] parquet

== Optimized Logical Plan ==
Relation[id#621,person_id#622,phone#623,type#624,source_id#625,created_date#626,modified_date#627] parquet

== Physical Plan ==
*FileScan parquet [id#621,person_id#622,phone#623,type#624,source_id#625,created_date#626,modified_date#627] Batched: true, Format: Parquet, Location: InMemoryFileIndex[dbfs:/mnt/person-data/parquet/phone], PartitionFilters: [], PushedFilters: [], ReadSchema: struct<id:string,person_id:string,phone:string,type:string,source_id:string,created_date:strin...

Answer 1

你们都很好。Display, 使用默认参数最多显示前 1000 行。同样newDataFrame.show(5)只显示前五行。

同时执行 plain ( oldDataFrame.explain) 显示没有混洗，因此在这两种情况下，Spark 都只会评估最小数量的分区以获得所需的行数 - 对于这些值，它可能是一个分区。

如果你想确定：

• 检查是否oldDataFrame.rdd.getNumPartitions()大于一。
• 如果是，则使用df.foreach(lambda _: None)或强制执行所有分区newDataFrame.foreach(lambda _: None)。

您应该会看到更多活跃的执行程序。