下面是我使用 Apache Spark 的用例
1) 我在 HDFS 上有大约 2500 个 Parquet 文件,文件大小因文件而异。
2) 我需要处理每个 parquet 文件并构建一个新的 DataFrame 并将一个新的 DataFrame 写入 orc 文件格式。
3)我的Spark驱动程序是这样的。 我正在迭代每个文件,处理单个 Parquet 文件,创建一个新的 DataFrame 并将一个新的 DataFrame 编写为 ORC,下面是代码片段。
val fs = FileSystem.get(new Configuration())
val parquetDFMap = fs.listStatus(new Path(inputFilePath)).map(folder => {
(folder.getPath.toString, sqlContext.read.parquet(folder.getPath.toString))})
parquetDFMap.foreach {
dfMap =>
val parquetFileName = dfMap._1
val parqFileDataFrame = dfMap._2
for (column <- parqFileDataFrame.columns)
{
val rows = parqFileDataFrame.select(column)
.mapPartitions(lines => lines.filter(filterRowsWithNullValues(_))
.map(row => buildRowRecords(row, masterStructArr.toArray, valuesArr)))
val newDataFrame: DataFrame = parqFileDataFrame.sqlContext.createDataFrame(rows, StructType(masterStructArr))
newDataFrame.write.mode(SaveMode.Append).format("orc").save(orcOutPutFilePath+tableName)
}
}
这种设计的问题我只能及时处理一个 parquet 文件,只有当我创建一个新的数据帧并且将新的数据帧写入 ORC 格式时才应用并行性。因此,如果创建新的 DataFrame 或将新的 DataFrame 写入 ORC 等任何任务需要很长时间才能完成,其他排队的 parquet 处理就会卡住,直到当前的 parquet 操作完成。
能否请您帮助我为这个用例提供更好的方法或设计。
最佳答案
你能为所有 parquet 文件创建一个数据框而不是为每个文件创建一个数据框吗
val df = sqlContext.read.parquet(inputFilePath)
df.map(row => convertToORc(row))
关于scala - Spark DataFrame 并行性,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/37838950/