apache-spark - 在 RDD 转换时保留 Spark DataFrame 列分区

Question

给定一个 Spark DataFrame，如下所示:

==================================
| Name | Col1 | Col2 | .. | ColN |
----------------------------------
|    A |    1 |   11 | .. |   21 |
|    A |   31 |   41 | .. |   51 |
|    B |    2 |   12 | .. |   22 |
|    B |   32 |   42 | .. |   52 |
==================================

我想运行逻辑，对与特定 Name 值相对应的表分区执行聚合/计算。所述逻辑要求分区的全部内容——并且仅该分区——在执行逻辑的节点的内存中具体化；它看起来类似于下面的 processSegment 函数:

def processDataMatrix(dataMatrix):
    # do some number crunching on a 2-D matrix

def processSegment(dataIter):
    # "running" value of the Name column in the iterator
    dataName = None
    # as the iterator is processed, put the data in a matrix
    dataMatrix = []

    for dataTuple in dataIter:
        # separate the name column from the other columns
        (name, *values) = dataTuple
        # SANITY CHECK: ensure that all rows have same name
        if (dataName is None):
            dataName = name
        else:
            assert (dataName == name), 'row name ' + str(name) + ' does not match expected ' + str(dataName)

        # put the row in the matrix
        dataMatrix.append(values)

    # if any rows were processed, number-crunch the matrix
    if (dataName is not None):
        return processDataMatrix(dataMatrix)
    else:
        return []

我尝试通过基于 Name 列重新分区来实现此工作，然后通过底层上的 mapPartitions 在每个分区上运行 processSegment RDD:

result = \
    stacksDF \
        .repartition('Name') \
        .rdd \
        .mapPartitions(processSegment) \
        .collect()

但是，该进程通常无法通过 processSegment 中的 SANITY CHECK 断言:

AssertionError: row name Q7 does not match expected A9

当我尝试在底层 RDD 上运行 mapPartitions 时，为什么表面上在 DataFrame 上执行的分区没有被保留？如果上述方法无效，是否有某种方法(使用 DataFrame API 或 RDD API)使我能够对 DataFrame 分区的内存中呈现执行聚合逻辑？

(由于我使用 PySpark，并且我希望执行的特定数字运算逻辑是 Python，用户定义的聚合函数 (UDAF) would not appear to be an option 。)

Answer 1

我相信您误解了分区的工作原理。一般来说，partioner 是一个满射函数，而不是双射函数。虽然特定值的所有记录都将移动到单个分区，但分区可能包含具有多个不同值的记录。

DataFrame API 无法让您对分区器进行任何控制，但在使用 RDD API 时可以定义自定义 partitionFunc。这意味着您可以使用双射，例如:

mapping = (df
    .select("Name")
    .distinct()
    .rdd.flatMap(lambda x: x)
    .zipWithIndex()
    .collectAsMap())

def partitioner(x):
    return mapping[x]

并按如下方式使用它:

df.rdd.map(lambda row: (row.Name, row)).partitionBy(len(mapping), partitioner)

尽管您可能必须记住分区不是空闲的，并且如果唯一值的数量很大，则可能会成为严重的性能问题。