web-dev-qa-db-ja.com

Spark複数のRDDの結合

私の豚のコードで私はこれを行います：

all_combined = Union relation1, relation2, 
    relation3, relation4, relation5, relation 6.

スパークでも同じことをしたいです。しかし、残念ながら、私はペアでそれを続けなければならないことがわかります：

first = rdd1.union(rdd2)
second = first.union(rdd3)
third = second.union(rdd4)
# .... and so on

一度に複数のrddを操作できる共用体演算子はありますか？

例えばunion(rdd1, rdd2,rdd3, rdd4, rdd5, rdd6)

それは利便性の問題です。

pythonapache-sparkpysparkrdd
33
user3803714

これらがRDDの場合、SparkContext.unionメソッドを使用できます。

rdd1 = sc.parallelize([1, 2, 3])
rdd2 = sc.parallelize([4, 5, 6])
rdd3 = sc.parallelize([7, 8, 9])

rdd = sc.union([rdd1, rdd2, rdd3])
rdd.collect()

## [1, 2, 3, 4, 5, 6, 7, 8, 9]

同等のDataFrameはありませんが、単純な1行の問題です。

from functools import reduce  # For Python 3.x
from pyspark.sql import DataFrame

def unionAll(*dfs):
    return reduce(DataFrame.unionAll, dfs)

df1 = sqlContext.createDataFrame([(1, "foo1"), (2, "bar1")], ("k", "v"))
df2 = sqlContext.createDataFrame([(3, "foo2"), (4, "bar2")], ("k", "v"))
df3 = sqlContext.createDataFrame([(5, "foo3"), (6, "bar3")], ("k", "v"))

unionAll(df1, df2, df3).show()

## +---+----+
## |  k|   v|
## +---+----+
## |  1|foo1|
## |  2|bar1|
## |  3|foo2|
## |  4|bar2|
## |  5|foo3|
## |  6|bar3|
## +---+----+

DataFramesの数が大きい場合、RDDでSparkContext.unionを使用し、DataFrameを再作成することは避けるべきより良い選択かもしれません 実行計画の準備に関連する問題 ：

def unionAll(*dfs):
    first, *_ = dfs  # Python 3.x, for 2.x you'll have to unpack manually
    return first.sql_ctx.createDataFrame(
        first.sql_ctx._sc.union([df.rdd for df in dfs]),
        first.schema
    )
75
zero323