Spark DataFrameに対してクエリ/カウントを並列化/配布するにはどうすればよいですか？

Question

私はDataFrameを持っています。これは一連のフィルタ照会を適用する必要があります。たとえば、次のようにDataFrameをロードします。

val df = spark.read.parquet("hdfs://box/some-parquet") 

次に、「任意」のフィルタを次のように使用します。私は通常、これらを得る

• C0 = '真' とC1 =
'false' に
• C0 = '偽' と
• C3 = '真' というように...

フィルタはutilメソッドを使用して動的にフィルタリングされます。

val filters: List[String] = getFilters() 

私はすべてがカウントを取得するためにDataFrameにこれらのフィルタを適用しています。例えば。

val counts = filters.map(filter => { 
df.where(filter).count 
}) 

これは、フィルタをマッピングするときにパラレル/分散操作ではないことに気付きました。フィルタをRDD/DataFrameに貼り付けると、このアプローチは動作しません。なぜなら、ネストされたデータフレーム操作を実行しているからです（これは、私が読んだように、Sparkでは許可されていません）。次のようなものは、NullPointerException（NPE）を与えます。

val df = spark.read.parquet("hdfs://box/some-parquet") 
val filterRDD = spark.sparkContext.parallelize(List("C0='false'", "C1='true'")) 
val counts = filterRDD.map(df.filter(_).count).collect 

 
Caused by: java.lang.NullPointerException 
    at org.apache.spark.sql.Dataset.filter(Dataset.scala:1127) 
    at $anonfun$1.apply(:27) 
    at $anonfun$1.apply(:27) 
    at scala.collection.Iterator$$anon$11.next(Iterator.scala:409) 
    at scala.collection.Iterator$class.foreach(Iterator.scala:893) 
    at scala.collection.AbstractIterator.foreach(Iterator.scala:1336) 
    at scala.collection.generic.Growable$class.$plus$plus$eq(Growable.scala:59) 
    at scala.collection.mutable.ArrayBuffer.$plus$plus$eq(ArrayBuffer.scala:104) 
    at scala.collection.mutable.ArrayBuffer.$plus$plus$eq(ArrayBuffer.scala:48) 
    at scala.collection.TraversableOnce$class.to(TraversableOnce.scala:310) 
    at scala.collection.AbstractIterator.to(Iterator.scala:1336) 
    at scala.collection.TraversableOnce$class.toBuffer(TraversableOnce.scala:302) 
    at scala.collection.AbstractIterator.toBuffer(Iterator.scala:1336) 
    at scala.collection.TraversableOnce$class.toArray(TraversableOnce.scala:289) 
    at scala.collection.AbstractIterator.toArray(Iterator.scala:1336) 
    at org.apache.spark.rdd.RDD$$anonfun$collect$1$$anonfun$13.apply(RDD.scala:912) 
    at org.apache.spark.rdd.RDD$$anonfun$collect$1$$anonfun$13.apply(RDD.scala:912) 
    at org.apache.spark.SparkContext$$anonfun$runJob$5.apply(SparkContext.scala:1899) 
    at org.apache.spark.SparkContext$$anonfun$runJob$5.apply(SparkContext.scala:1899) 
    at org.apache.spark.scheduler.ResultTask.runTask(ResultTask.scala:70) 
    at org.apache.spark.scheduler.Task.run(Task.scala:86) 
    at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:274) 
    at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1142) 
    at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617) 
    at java.lang.Thread.run(Thread.java:745) 

スパークにDataFrameにカウントフィルタを配布/並列化する方法はありますか？ちなみに、私はSpark v2.0.2を使っています。

Answer 1

このようにすれば、唯一予想される利得（非常に大きくなる可能性があります）は入力データに対して一度だけ渡すことになります。

私はそうのようにそれを行うだろう（プログラム的なソリューションが、同等のSQLが可能です）：

1. 1または0
2. は、これらのUDFSの各
のための一つの列を追加し返すのUDFにあなたのフィルタを変換します
3. グループ化する/あなたのデータを合計します。

サンプルスパークセッションは次のようになります。あなたが達成したいと仮定すると、

scala> val data = spark.createDataFrame(Seq("A", "BB", "CCC").map(Tuple1.apply)).withColumnRenamed("_1", "input") 

data: org.apache.spark.sql.DataFrame = [input: string] 

scala> data.show 
+-----+ 
|input| 
+-----+ 
| A| 
| BB| 
| CCC| 
+-----+ 

scala> val containsBFilter = udf((input: String) => if(input.contains("B")) 1 else 0) 
containsBFilter: org.apache.spark.sql.expressions.UserDefinedFunction = UserDefinedFunction(<function1>,IntegerType,Some(List(StringType))) 

scala> val lengthFilter = udf((input: String) => if (input.length < 3) 1 else 0) 
lengthFilter: org.apache.spark.sql.expressions.UserDefinedFunction = UserDefinedFunction(<function1>,IntegerType,Some(List(StringType))) 

scala> data.withColumn("inputLength", lengthFilter($"input")).withColumn("containsB", containsBFilter($"input")).select(sum($"inputLength"), sum($"containsB")).show 

+----------------+--------------+ 
|sum(inputLength)|sum(containsB)| 
+----------------+--------------+ 
|    2|    1| 
+----------------+--------------+