web-dev-qa-db-fra.com

Spark union de plusieurs RDD

Dans mon code de cochon je fais ceci:

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

Je veux faire la même chose avec spark. Cependant, malheureusement, je vois que je dois continuer à le faire par paire:

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

Y a-t-il un opérateur syndical qui me permettra d'opérer sur plusieurs disques à la fois:

par exemple. union(rdd1, rdd2,rdd3, rdd4, rdd5, rdd6)

C'est une question de commodité.

pythonapache-sparkpysparkrdd
33
user3803714

Si ce sont des RDD, vous pouvez utiliser SparkContext.union méthode:

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]

Il n'y a pas d'équivalent DataFrame mais il ne s'agit que d'un simple one-liner:

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|
## +---+----+

Si le nombre de DataFrames est grand en utilisant SparkContext.union sur les RDD et recréer DataFrame peut être un meilleur choix à éviter problèmes liés au coût de préparation d'un plan d'exécution :

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