hadoop - 将大量 Spark 数据帧合并为一个

Question

我在 for 循环中使用满足不同条件的不同查询超过 1500 次来查询缓存的配置单元临时表。我需要在循环内使用 unionAll 将它们全部合并。但是由于 spark 跟不上 RDD 血统，我得到了 stackoverflow 错误。

伪代码:

df=[from a hive table]
tableA=[from a hive table]
tableA.registerTempTable("tableA")
HiveContext.sql('CACHE TABLE tableA')

for i in range(0,2000):
    if (list[0]['column1']=='xyz'):
        df1=query something from tableA
        df=df.unionAll(df1)
    elif ():
        df1=query something from tableA
        df=df.unionAll(df1)
    elif ():
        df1=query something from tableA
        df=df.unionAll(df1)
    elif ():
        df1=query something from tableA
        df=df.unionAll(df1)
    else:
        df1=query something from tableA
        df=df.unionAll(df1)

由于 RDD 沿袭变得困难，这会引发 StackOverFlow 错误。所以我尝试检查点如下:

for i in range(0,2000):
    if (list[0]['column1']=='xyz'):
        df1=query something from tableA
        df=df.unionAll(df1)
    elif ():
        df1=query something from tableA
        df=df.unionAll(df1)
    else:
        df1=query something from tableA
        df=df.unionAll(df1)
    df.rdd.checkpoint
    df = sqlContext.createDataFrame(df.rdd, df.schema)

我遇到了同样的错误。所以我尝试了 SaveAsTable，我一直想避免它，因为每个 hql 查询和循环内的 hive io 之间的作业提交滞后。但这种方法效果很好。

for i in range(0,2000):
    if (list[0]['column1']=='xyz'):
        df=query something from tableA
        df.write.saveAsTable('output', mode='append')
    elif ():
        df=query something from tableA
        df.write.saveAsTable('output', mode='append') 

我需要帮助避免将数据帧保存到循环内的配置单元中。我想以某种内存中高效的方式合并 dfs。我尝试过的其他选项之一是将查询结果直接插入到临时表中，但出现错误:无法插入到基于 RDD 的表中。

Answer 1

也许，结果的临时表会起作用。

df1="query something from tableA".registerTempTable("result")
sqlContext.sql("Insert into result query something from tableA")