python - 为什么我的 Spark DataFrame 比 RDD 慢很多？

Question

我有一个非常简单的 Spark DataFrame，当运行 DataFrame groupby 时，性能非常糟糕——比(在我看来)等效的 RDD reduceByKey 慢大约 8 倍...

我缓存的 DF 只有两列，客户和名称只有 50k 行:

== Physical Plan ==
InMemoryColumnarTableScan [customer#2454,name#2456], InMemoryRelation [customer#2454,name#2456], true, 10000, StorageLevel(true, true, false, true, 1), Scan ParquetRelation[customer#2454,name#2456] InputPaths: hdfs://nameservice1/tmp/v2_selected_parquet/test_parquet2, None

当我运行以下两个代码片段时，我希望得到类似的性能，而不是 rdd 版本在 10 秒内运行而 DF 版本在 85 秒内运行...

rawtempDF2.rdd.map(lambda x: (x['name'], 1)).reduceByKey(lambda x,y: x+y).collect()

rawtempDF2.groupby('name').count().collect()

我是否遗漏了一些真正基本的东西？ FWIW，RDD 版本运行 54 个阶段，DF 版本为 227 :/

编辑:我使用的是 Spark 1.6.1 和 Python 3.4.2。 Edit2:此外，源 Parquet 被分区为客户/日期/名称 - 目前有 27 个客户，1 天，c。 45 个名字。

Answer 1

这两个数字似乎都相对较高，并且您并不完全清楚您是如何创建 DataFrame 或测量时间的，但总的来说，像这样的差异可以通过与数字相比较少的记录数来解释分区数。

spark.sql.shuffle.partitions 的默认值为 200，这是您获得的任务数。对于 50K 记录，启动任务的开销将高于您从并行执行中获得的加速。让我们用一个简单的例子来说明这一点。首先让我们创建一个示例数据:

import string
import random

random.seed(323)

def random_string():
  n = random.randint(3, 6)
  return (''.join(random.choice(string.ascii_uppercase) for _ in range(n)), )

df = (sc
    .parallelize([random_string() for _ in range(50000)], 8).toDF(["name"])
    .cache())

并根据 shuffle.partitions 的数量测量时间:

sqlContext.setConf("spark.sql.shuffle.partitions", "1")
%timeit -n 10  df.groupby('name').count().collect()
## 10 loops, best of 3: 504 ms per loop

sqlContext.setConf("spark.sql.shuffle.partitions", "1")
%timeit -n 10  df.groupby('name').count().collect()
## 10 loops, best of 3: 451 ms per loop

sqlContext.setConf("spark.sql.shuffle.partitions", "100")
%timeit -n 10  df.groupby('name').count().collect()
## 10 loops, best of 3: 624 ms per loop

sqlContext.setConf("spark.sql.shuffle.partitions", "200")
%timeit -n 10  df.groupby('name').count().collect()
## 10 loops, best of 3: 778 ms per loop

sqlContext.setConf("spark.sql.shuffle.partitions", "1000")
%timeit -n 10  df.groupby('name').count().collect()
## 10 loops, best of 3: 1.75 s per loop

虽然这些值与您声称的值无法比较，并且这些数据是在本地模式下收集的，但您可以看到相对清晰的模式。这同样适用于 RDD:

from operator import add

%timeit -n 10 df.rdd.map(lambda x: (x['name'], 1)).reduceByKey(add, 1).collect()
## 10 loops, best of 3: 414 ms per loop

%timeit -n 10 df.rdd.map(lambda x: (x['name'], 1)).reduceByKey(add, 10).collect()
## 10 loops, best of 3: 439 ms per loop

%timeit -n 10 df.rdd.map(lambda x: (x['name'], 1)).reduceByKey(add, 100).collect()
## 10 loops, best of 3: 1.3 s per loop

%timeit -n 10 df.rdd.map(lambda x: (x['name'], 1)).reduceByKey(add, 1000).collect()
## 10 loops, best of 3: 8.41 s per loop

在适当的分布式环境中，由于网络 IO 的成本，这会更高。

只是为了比较，让我们检查一下在没有 Spark 的情况下在本地执行此任务需要多长时间

from collections import Counter

data = df.rdd.flatMap(lambda x: x).collect()

%timeit -n 10 Counter(data)
## 10 loops, best of 3: 9.9 ms per loop

您还应该查看数据局部性。根据您使用的存储和配置，这可能会给您的作业增加额外的延迟，即使是像这样的小输入。