我有一个相当大的数据集(100个million+记录和100个列),我正在用spark处理。我正在将数据读入spark数据集,并希望过滤此数据集并将其字段的子集映射到case类。
代码看起来有点类似,
case class Subset(name:String,age:Int)
case class Complete(name:String,field1:String,field2....,age:Int)
val ds = spark.read.format("csv").load("data.csv").as[Complete]
#approach 1
ds.filter(x=>x.age>25).map(x=> Subset(x.name,x.age))
#approach 2
ds.flatMap(x=>if(x.age>25) Seq(Subset(x.name,x.age)) else Seq.empty)
哪种方法更好?关于如何让这段代码更有性能,还有什么其他的建议吗?
谢谢!
编辑
我运行了一些测试来比较运行时,看起来方法2相当快,我用来获得运行时的代码如下所示,
val subset = spark.time {
ds.filter(x=>x.age>25).map(x=> Subset(x.name,x.age))
}
spark.time {
subset.count()
}
and
val subset2 = spark.time {
ds.flatMap(x=>if(x.age>25) Seq(Subset(x.name,x.age)) else Seq.empty)
}
spark.time {
subset2.count()
}
发布于 2019-06-26 17:00:00
更新:我最初的回答包含一个错误: Spark确实支持Seq
作为flatMap
的结果(并将结果转换回Dataset
)。对于造成的混乱,我表示歉意。我还添加了有关提高分析性能的更多信息。
更新2:我没想到您使用的是Dataset
而不是RDD
(!)。这并不会对答案产生重大影响。
Spark是一个分布式系统,它将数据分区到多个节点上,并并行处理数据。就效率而言,导致重新分区(需要在节点之间传输数据)的操作在运行时的开销远远高于就地修改。此外,您应该注意到,仅转换数据的操作(如filter
、map
、flatMap
等)仅被存储,直到执行动作操作(如reduce
、fold
、aggregate
等)时才会执行。因此,这两种选择实际上都没有起到任何作用。
当对这些转换的结果执行操作时,我认为filter
操作的效率会高得多:它只处理传递谓词x=>x.age>25
(更典型地写为_.age > 25
)的数据(使用后续的map
操作)。虽然看起来filter
创建了一个中间集合,但它的执行速度很慢。因此,Spark似乎将filter
和map
操作融合在一起。
坦率地说,你的flatMap
操作很可怕。它强制每个数据项的处理、序列创建和随后的扁平化,这肯定会增加整体处理。
也就是说,提高分析性能的最佳方法是控制分区,以便在尽可能多的节点上大致平均地拆分数据。参考this guide作为一个很好的起点。
发布于 2019-06-26 05:01:56
从语法的逻辑判断,第一种方法应该使用较少的空间,因为flatMap扩展到.map().flatten,两者都使用相同大小的参数。它在Scala REPL中编译为相同的Java字节码(编辑:当使用一个特殊的示例时,这显然不能补偿用相当大的数据实际测试它)。
https://stackoverflow.com/questions/56761223
复制相似问题