如何根據Spark DataFrame對查詢/計數進行並行化/分配？

Question

我有一個DataFrame我必須應用一系列的過濾器查詢。例如，我按如下方式加載我的DataFrame。

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

然後我有一堆「隨意」過濾器如下。

• C0 = '真' 和C1 = '假'
• C0 = '假' 和C3 = '真'
• 等等...

我通常把這些使用util方法動態過濾。

val filters: List[String] = getFilters() 

我要做的是將這些過濾器的DataFrame得到計數。例如。

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

我注意到，在映射到過濾器時不是並行/分佈式操作。如果我將過濾器粘貼到RDD/DataFrame中，則此方法也不起作用，因爲那時我將執行嵌套數據框操作（正如我在SO上讀過的，它不允許在Spark中）。類似下面的提供了一個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) 

有什麼辦法並行/在火花DataFrame分配計數過濾器？順便說一下，我在Spark v2.0.2上。

Answer 1

通過這樣做，唯一可預期的增益（可能非常大）將僅在輸入數據上通過一次。

我會做它像這樣（編程解決方案，但相當於SQL是可能的）：

1. 將您的過濾器，返回1或0
2. 添加一列每個這些UDF的UDF的
3. 分組通過/總結您的數據。

樣本火花會是這樣的：

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| 
+----------------+--------------+