python - 如何将巨大的 Pandas 数据框保存到 hdfs？

Question

我正在使用 pandas 和 spark 数据帧。数据帧总是非常大(> 20 GB)，标准的 spark 函数不足以满足这些大小。目前我正在将我的 pandas 数据框转换为这样的 spark 数据框:

dataframe = spark.createDataFrame(pandas_dataframe)  

我进行这种转换是因为使用 spark 将数据帧写入 hdfs 非常容易:

dataframe.write.parquet(output_uri, mode="overwrite", compression="snappy")

但是对于大于 2 GB 的数据帧，转换失败。如果我将 spark 数据框转换为 pandas，我可以使用 pyarrow:

// temporary write spark dataframe to hdfs
dataframe.write.parquet(path, mode="overwrite", compression="snappy")

// open hdfs connection using pyarrow (pa)
hdfs = pa.hdfs.connect("default", 0)
// read parquet (pyarrow.parquet (pq))
parquet = pq.ParquetDataset(path_hdfs, filesystem=hdfs)
table = parquet.read(nthreads=4)
// transform table to pandas
pandas = table.to_pandas(nthreads=4)

// delete temp files
hdfs.delete(path, recursive=True)

这是从 spark 到 pandas 的快速转换，它也适用于大于 2 GB 的数据帧。我还找不到相反的方法。意思是有一个 pandas 数据框，我在 pyarrow 的帮助下将其转换为 spark。问题是我真的找不到如何将 pandas 数据帧写入 hdfs。

我的 Pandas 版本:0.19.0

Answer 1

Meaning having a pandas dataframe which I transform to spark with the help of pyarrow.

pyarrow.Table.fromPandas是您正在寻找的功能:

Table.from_pandas(type cls, df, bool timestamps_to_ms=False, Schema schema=None, bool preserve_index=True)

Convert pandas.DataFrame to an Arrow Table

import pyarrow as pa

pdf = ...  # type: pandas.core.frame.DataFrame
adf = pa.Table.from_pandas(pdf)  # type: pyarrow.lib.Table

结果可以直接写入Parquet/HDFS，无需通过Spark传递数据:

import pyarrow.parquet as pq

fs  = pa.hdfs.connect()

with fs.open(path, "wb") as fw
    pq.write_table(adf, fw)

另见

• @WesMcKinney answer至 read a parquet files from HDFS using PyArrow .
• Reading and Writing the Apache Parquet Format在pyarrow documentation .
• Native Hadoop file system (HDFS) connectivity in Python

Spark 笔记:

此外，自 Spark 2.3(当前主版本)以来，createDataFrame(SPARK-20791 - Use Apache Arrow to Improve Spark createDataFrame from Pandas.DataFrame)直接支持 Arrow。它uses SparkContext.defaultParallelism to compute number of chunks这样您就可以轻松控制各个批处理的大小。

最后，defaultParallelism 可用于控制使用标准 _convert_from_pandas 生成的分区数量，有效地将切片的大小减小到更易于管理的程度。

不幸的是，这些不太可能解决您的 current memory problems .两者都依赖于parallelize，因此将所有数据存储在驱动程序节点的内存中。切换到 Arrow 或调整配置只能加快进程或解决 block 大小限制。

实际上，只要您使用本地 Pandas DataFrame 作为输入，我看不出有任何理由在这里切换到 Spark。这种情况下最严重的瓶颈是驱动程序的网络 I/O，而分发数据无法解决这个问题。