scala - 如何在 Spark 数据框中(均等)分区数组数据

Question

我有一个以下形式的数据框:

import scala.util.Random
val localData = (1 to 100).map(i => (i,Seq.fill(Math.abs(Random.nextGaussian()*100).toInt)(Random.nextDouble)))
val df = sc.parallelize(localData).toDF("id","data")

|-- id: integer (nullable = false)
|-- data: array (nullable = true)
|    |-- element: double (containsNull = false)


df.withColumn("data_size",size($"data")).show

+---+--------------------+---------+
| id|                data|data_size|
+---+--------------------+---------+
|  1|[0.77845301260182...|      217|
|  2|[0.28806915178410...|      202|
|  3|[0.76304121847720...|      165|
|  4|[0.57955190088558...|        9|
|  5|[0.82134215959459...|       11|
|  6|[0.42193739241567...|       57|
|  7|[0.76381645621403...|        4|
|  8|[0.56507523859466...|       93|
|  9|[0.83541853717244...|      107|
| 10|[0.77955626749231...|      111|
| 11|[0.83721643562080...|      223|
| 12|[0.30546029947285...|      116|
| 13|[0.02705462199952...|       46|
| 14|[0.46646815407673...|       41|
| 15|[0.66312488908446...|       16|
| 16|[0.72644646115640...|      166|
| 17|[0.32210572380128...|      197|
| 18|[0.66680355567329...|       61|
| 19|[0.87055594653295...|       55|
| 20|[0.96600507545438...|       89|
+---+--------------------+---------+

现在我想应用一个昂贵的UDF，计算时间与数据数组的大小成正比。我想知道如何重新分区数据，使每个分区具有大致相同数量的“记录*数据大小”(即数据点而不仅仅是记录)。

如果只是执行df.repartition(100)，我可能会得到一些包含一些非常大的数组的分区，这些数组是整个 Spark 阶段的瓶颈(所有其他任务都已完成)。当然，我可以选择大量的分区，这将(几乎)确保每个记录都位于单独的分区中。但还有别的办法吗？

Answer 1

正如您所说，您可以增加分区数量。我通常使用核心数的倍数:spark context defaultparallelism * 2-3..
对于您的情况，您可以使用更大的乘数。

另一种解决方案是以这种方式过滤分割你的 df:

• 仅使用更大数组的 df
• df 与其余的

然后您可以对它们中的每一个重新分区，执行计算并将它们联合起来。

请注意，重新分区可能会很昂贵，因为您有大量行需要洗牌。

您可以看看这些幻灯片(27+):https://www.slideshare.net/SparkSummit/custom-applications-with-sparks-rdd-spark-summit-east-talk-by-tejas-patil

他们遇到了非常严重的数据偏差，必须以一种有趣的方式来处理它。