python spark替代方案可以为非常大的数据爆炸

Question

我有一个这样的数据框：

df = spark.createDataFrame([(0, ["B","C","D","E"]),(1,["E","A","C"]),(2, ["F","A","E","B"]),(3,["E","G","A"]),(4,["A","C","E","B","D"])], ["id","items"])

它创建了一个df像这样的数据框：

+---+-----------------+
|  0|     [B, C, D, E]|
|  1|        [E, A, C]|
|  2|     [F, A, E, B]|
|  3|        [E, G, A]|
|  4|  [A, C, E, B, D]|
+---+-----------------+ 

我想得到这样的结果：

+---+-----+
|all|count|
+---+-----+
|  F|    1|
|  E|    5|
|  B|    3|
|  D|    2|
|  C|    3|
|  A|    4|
|  G|    1|
+---+-----+

这基本上只是找到所有不同的元素df["items"]并计算它们的频率。如果我的数据更易于管理，我会这样做：

all_items = df.select(explode("items").alias("all")) 
result = all_items.groupby(all_items.all).count().distinct() 
result.show()

但是因为我的数据在每个列表中有数百万行和数千个元素，所以这不是一个选项。我正在考虑逐行执行此操作，以便一次只处理 2 个列表。因为大多数元素经常在多行中重复（但每行中的列表是一个集合），这种方法应该可以解决我的问题。但问题是，我真的不知道如何在 Spark 中做到这一点，因为我才刚刚开始学习。请问有人可以帮忙吗？

Answer 1

您需要做的是减少进入爆炸的分区的大小。有 2 个选项可以执行此操作。首先，如果您的输入数据是可拆分的，您可以减小其大小，spark.sql.files.maxPartitionBytes以便 Spark 读取较小的拆分。另一种选择是在爆炸之前重新分区。

该默认值的maxPartitionBytes为128MB，这样的Spark将尝试在128MB块读取数据。如果数据不可拆分，那么它会将整个文件读入单个分区，在这种情况下，您需要改为执行repartition。

在你的情况下，因为你正在做一个爆炸，假设它增加了 100 倍，每个分区有 128MB，你最终每个分区有 12GB+ 出来！

您可能需要考虑的另一件事是您的随机分区，因为您正在进行聚合。同样，您可能需要通过设置spark.sql.shuffle.partitions为比默认值 200 更高的值来增加爆炸后聚合的分区。您可以使用 Spark UI 查看您的 shuffle 阶段并查看每个任务正在读取多少数据以及相应调整。

我在刚刚在欧洲 Spark 峰会上发表的演讲中讨论了这个和其他调整建议。