排序后不会对Spark数据帧进行排序 | 您所在的位置:网站首页 › spark研究方法 › 排序后不会对Spark数据帧进行排序 |
我正在处理一个JSON文件,使用Spark(版本1.6.1)生成两个JSON文件.输入文件的大小约为30~40G(100M记录).对于生成的文件,较大的文件大约为10G~15G(30M记录),较小的文件大约为500M~750M(1.5M记录).两个结果文件都面临以下问题: 我调用了数据帧的"排序"方法,然后执行"重新分区"将结果合并到一个文件中.然后我检查了生成的文件,在一个间隔中找到了记录的顺序,但整个文件没有全局排序.例如,文件中最后一条记录(行号为1.9M)的密钥(由3列构成)是"(ou7QDj48c,014,075)",但文件中的中间记录的密钥(行号375K)是" (pzwzh5vm8,003,023)" pzwzh5vm8 003 023 ... ou7QDj48c 014 075当我使用相对较小的输入源(输入文件400K行)在本地测试代码时,根本不会发生这种情况. 我的具体代码如下所示: big_json = big_json.sort($"col1", $"col2", $"col3", $"col4") big_json.repartition(1).write.mode("overwrite").json("filepath")谁能提出建议?谢谢. (我也注意到这个线程讨论了类似的问题,但到目前为止还没有一个好的解决方案.如果这种现象真的是由重新分区操作引起的,那么任何人都可以帮助我有效地将数据帧转换为单个JSON文件而不进行转换进入RDD,同时保持排序顺序?谢谢) 方案: 非常感谢@manos @eliasah和@pkrishna的帮助.在阅读了你的评论之后,我曾考虑过使用coalesce,但在调查了它的性能后,我放弃了这个想法. 最终的解决方案是:对数据帧进行排序并写入JSON,无需任何重新分区或合并.完成整个工作后,请调用下面的HDFS命令 hdfs dfs -getmerge /hdfs/file/path/part* ./local.json这个命令比我的想象要好得多.它既不需要太多时间也不需要太多空间,并且给我一个很好的单个文件.我只是使用head和tail在巨大的结果文件,它似乎完全有序. 1> eliasah..: 发生了什么事是你重新分区 后您的排序操作. repartition随机重新调整RDD中的数据以创建更多或更少的分区并在它们之间进行平衡.这总是随机播放网络上的所有数据. 在引擎盖下,它使用coalesce并shuffle重新分配数据.这就是您的数据不再排序的原因. 您可以查看代码以供参考. |
今日新闻 |
推荐新闻 |
专题文章 |
CopyRight 2018-2019 实验室设备网 版权所有 |