- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我想知道 Spark 是否知道 parquet 文件的分区键并使用此信息来避免洗牌。
上下文:
运行 Spark 2.0.1 运行本地 SparkSession。我有一个 csv 数据集,我将其保存为磁盘上的 Parquet 文件,如下所示:
val df0 = spark
.read
.format("csv")
.option("header", true)
.option("delimiter", ";")
.option("inferSchema", false)
.load("SomeFile.csv"))
val df = df0.repartition(partitionExprs = col("numerocarte"), numPartitions = 42)
df.write
.mode(SaveMode.Overwrite)
.format("parquet")
.option("inferSchema", false)
.save("SomeFile.parquet")
numerocarte
.这应该将多个
numerocarte
分组。到同一个分区。我不想在
write
上做 partitionBy("numerocarte")时间,因为我不希望每张卡有一个分区。这将是数以百万计的人。
SomeFile.parquet
parquet 文件并对其进行一些操作。特别是我正在运行
window function
在它上面分区是在 parquet 文件被重新分区的同一列上完成的。
import org.apache.spark.sql.expressions.Window
import org.apache.spark.sql.functions._
val df2 = spark.read
.format("parquet")
.option("header", true)
.option("inferSchema", false)
.load("SomeFile.parquet")
val w = Window.partitionBy(col("numerocarte"))
.orderBy(col("SomeColumn"))
df2.withColumn("NewColumnName",
sum(col("dollars").over(w))
read
我可以看到
repartition
按预期工作,DataFrame
df2
有 42 个分区,每个分区都有不同的卡。
df2
由列 numerocarte
划分? DataFrame
的分区键?有这个命令吗?我知道如何检查分区数,但如何查看分区键? read
之后我有 42 个分区和 withColumn
之后的 200 个分区这表明 Spark 重新分区了我的 DataFrame
. 最佳答案
我正在回答我自己的问题以供将来引用什么有效。
根据@user8371915 的建议,bucketBy 有效!
我正在保存我的 DataFrame df
:
df.write
.bucketBy(250, "userid")
.saveAsTable("myNewTable")
val df2 = spark.sql("SELECT * FROM myNewTable")
val w = Window.partitionBy("userid")
val df3 = df2.withColumn("newColumnName", sum(col("someColumn")).over(w)
df3.explain
df2
上执行窗口功能时由
userid
划分没有洗牌!谢谢@user8371915!
spark.read.format("parquet").load("path/to/myNewTable")
正常阅读。但是 DataFrame
以这种方式创建的不会保留原来的分区!您必须使用 spark.sql
select
正确分区 DataFrame
. spark.sql("describe formatted myNewTable").collect.foreach(println)
查看表格内部.这将告诉您哪些列用于分桶以及有多少个桶。 .sortBy()
对存储桶中的数据进行排序。并且排序也将保留在配置单元表中。 df.write.bucketBy(250, "userid").sortBy("somColumnName").saveAsTable("myNewTable")
myNewTable
保存到 spark-warehouse
我本地 Scala SBT 项目中的文件夹。通过 spark-submit
使用 mesos 以集群模式保存时,保存到hive仓库。对我来说,它位于 /user/hive/warehouse
. spark-submit
您需要添加到您的 SparkSession
两个选项:.config("hive.metastore.uris", "thrift://addres-to-your-master:9083")
和 .enableHiveSupport()
.否则,您创建的配置单元表将不可见。 spark.sql("USE your database")
装桶前。 关于apache-spark - Spark 是否知道 DataFrame 的分区键?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/48459208/
我有一个 if 语句,如下所示 if (not(fullpath.lower().endswith(".pdf")) or not (fullpath.lower().endswith(tup
然而,在 PHP 中,可以: only appears if $foo is true. only appears if $foo is false. 在 Javascript 中,能否在一个脚
XML有很多好处。它既是机器可读的,也是人类可读的,它具有标准化的格式,并且用途广泛。 它也有一些缺点。它是冗长的,不是传输大量数据的非常有效的方法。 XML最有用的方面之一是模式语言。使用模式,您可
由于长期使用 SQL2000,我并没有真正深入了解公用表表达式。 我给出的答案here (#4025380)和 here (#4018793)违背了潮流,因为他们没有使用 CTE。 我很欣赏它们对于递
我有一个应用程序: void deleteObj(id){ MyObj obj = getObjById(id); if (obj == null) { throw n
我的代码如下。可能我以类似的方式多次使用它,即简单地说,我正在以这种方式管理 session 和事务: List users= null; try{ sess
在开发J2EE Web应用程序时,我通常会按以下方式组织我的包结构 com.jameselsey.. 控制器-控制器/操作转到此处 服务-事务服务类,由控制器调用 域-应用程序使用的我的域类/对象 D
这更多是出于好奇而不是任何重要问题,但我只是想知道 memmove 中的以下片段文档: Copying takes place as if an intermediate buffer were us
路径压缩涉及将根指定为路径上每个节点的新父节点——这可能会降低根的等级,并可能降低路径上所有节点的等级。有办法解决这个问题吗?有必要处理这个吗?或者,也许可以将等级视为树高的上限而不是确切的高度? 谢
我有两个类,A 和 B。A 是 B 的父类,我有一个函数接收指向 A 类型类的指针,检查它是否也是 B 类型,如果是将调用另一个函数,该函数接受一个指向类型 B 的类的指针。当函数调用另一个函数时,我
有没有办法让 valgrind 使用多个处理器? 我正在使用 valgrind 的 callgrind 进行一些瓶颈分析,并注意到我的应用程序中的资源使用行为与在 valgrind/callgrind
假设我们要使用 ReaderT [(a,b)]超过 Maybe monad,然后我们想在列表中进行查找。 现在,一个简单且不常见的方法是: 第一种可能性 find a = ReaderT (looku
我的代码似乎有问题。我需要说的是: if ( $('html').attr('lang').val() == 'fr-FR' ) { // do this } else { // do
根据this文章(2018 年 4 月)AKS 在可用性集中运行时能够跨故障域智能放置 Pod,但尚不考虑更新域。很快就会使用更新域将 Pod 放入 AKS 中吗? 最佳答案 当您设置集群时,它已经自
course | section | type comart2 : bsit201 : lec comart2 :
我正在开发自己的 SDK,而这又依赖于某些第 3 方 SDK。例如 - OkHttp。 我应该将 OkHttp 添加到我的 build.gradle 中,还是让我的 SDK 用户包含它?在这种情况下,
随着 Rust 越来越充实,我对它的兴趣开始激起。我喜欢它支持代数数据类型,尤其是那些匹配的事实,但是对其他功能习语有什么想法吗? 例如标准库中是否有标准过滤器/映射/归约函数的集合,更重要的是,您能
关闭。这个问题不符合Stack Overflow guidelines .它目前不接受答案。 这个问题似乎与 help center 中定义的范围内的编程无关。 . 关闭 9 年前。 Improve
我一直在研究 PHP 中的对象。我见过的所有示例甚至在它们自己的对象上都使用了对象构造函数。 PHP 会强制您这样做吗?如果是,为什么? 例如: firstname = $firstname;
...比关联数组? 关联数组会占用更多内存吗? $arr = array(1, 1, 1); $arr[10] = 1; $arr[] = 1; // <- index is 11; does the
我是一名优秀的程序员,十分优秀!