Как распараллеливать/распространять запросы/счета против Spark DataFrame?

Question

У меня есть DataFrame, к которому я должен применить серию фильтрующих запросов. Например, я загружаю DataFrame следующим образом.

val df = spark.read.parquet("hdfs://box/some-parquet") 

У меня тогда есть куча «произвольных» фильтров следующим образом.

• C0 = 'истинный' и C1 = 'ложь'
• C0 = 'ложь' и С3 = 'истинный'
• и так далее ...

Я обычно получить эти фильтрует динамически с использованием метода утилизации.

val filters: List[String] = getFilters() 

Все, что я сделать, это применить эти фильтры к DataFrame, чтобы получить отсчеты. Например.

val counts = filters.map(filter => { 
df.where(filter).count 
}) 

Я заметил, что это НЕ параллельная/распределенная операция при сопоставлении фильтров. Если я привяжу фильтры к RDD/DataFrame, этот подход не будет работать, потому что тогда я выполнял операции с вложенными фреймами данных (которые, как я прочитал на SO, не разрешены в Spark). Что-то вроде следующего дает NullPointerException (NPE).

val df = spark.read.parquet("hdfs://box/some-parquet") 
val filterRDD = spark.sparkContext.parallelize(List("C0='false'", "C1='true'")) 
val counts = filterRDD.map(df.filter(_).count).collect 

 
Caused by: java.lang.NullPointerException 
    at org.apache.spark.sql.Dataset.filter(Dataset.scala:1127) 
    at $anonfun$1.apply(:27) 
    at $anonfun$1.apply(:27) 
    at scala.collection.Iterator$$anon$11.next(Iterator.scala:409) 
    at scala.collection.Iterator$class.foreach(Iterator.scala:893) 
    at scala.collection.AbstractIterator.foreach(Iterator.scala:1336) 
    at scala.collection.generic.Growable$class.$plus$plus$eq(Growable.scala:59) 
    at scala.collection.mutable.ArrayBuffer.$plus$plus$eq(ArrayBuffer.scala:104) 
    at scala.collection.mutable.ArrayBuffer.$plus$plus$eq(ArrayBuffer.scala:48) 
    at scala.collection.TraversableOnce$class.to(TraversableOnce.scala:310) 
    at scala.collection.AbstractIterator.to(Iterator.scala:1336) 
    at scala.collection.TraversableOnce$class.toBuffer(TraversableOnce.scala:302) 
    at scala.collection.AbstractIterator.toBuffer(Iterator.scala:1336) 
    at scala.collection.TraversableOnce$class.toArray(TraversableOnce.scala:289) 
    at scala.collection.AbstractIterator.toArray(Iterator.scala:1336) 
    at org.apache.spark.rdd.RDD$$anonfun$collect$1$$anonfun$13.apply(RDD.scala:912) 
    at org.apache.spark.rdd.RDD$$anonfun$collect$1$$anonfun$13.apply(RDD.scala:912) 
    at org.apache.spark.SparkContext$$anonfun$runJob$5.apply(SparkContext.scala:1899) 
    at org.apache.spark.SparkContext$$anonfun$runJob$5.apply(SparkContext.scala:1899) 
    at org.apache.spark.scheduler.ResultTask.runTask(ResultTask.scala:70) 
    at org.apache.spark.scheduler.Task.run(Task.scala:86) 
    at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:274) 
    at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1142) 
    at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617) 
    at java.lang.Thread.run(Thread.java:745) 

Есть ли способ распараллеливания/распределить подсчета фильтров на DataFrame в Спарк? Кстати, я на Spark v2.0.2.

Answer 1

Таким образом, единственным ожидаемым коэффициентом усиления (который может быть очень существенным) будет передавать только один раз на входные данные.

Я хотел бы сделать это как так (программного решения, но эквивалент SQL можно):

1. Преобразование фильтров UDF, которые возвращают 1 или 0
2. Добавьте один столбец для каждого из этих UDFS
3. Группа По сумме ваших данных.

Образца искра сессия выглядит следующим образом:

scala> val data = spark.createDataFrame(Seq("A", "BB", "CCC").map(Tuple1.apply)).withColumnRenamed("_1", "input") 

data: org.apache.spark.sql.DataFrame = [input: string] 

scala> data.show 
+-----+ 
|input| 
+-----+ 
| A| 
| BB| 
| CCC| 
+-----+ 

scala> val containsBFilter = udf((input: String) => if(input.contains("B")) 1 else 0) 
containsBFilter: org.apache.spark.sql.expressions.UserDefinedFunction = UserDefinedFunction(<function1>,IntegerType,Some(List(StringType))) 

scala> val lengthFilter = udf((input: String) => if (input.length < 3) 1 else 0) 
lengthFilter: org.apache.spark.sql.expressions.UserDefinedFunction = UserDefinedFunction(<function1>,IntegerType,Some(List(StringType))) 

scala> data.withColumn("inputLength", lengthFilter($"input")).withColumn("containsB", containsBFilter($"input")).select(sum($"inputLength"), sum($"containsB")).show 

+----------------+--------------+ 
|sum(inputLength)|sum(containsB)| 
+----------------+--------------+ 
|    2|    1| 
+----------------+--------------+