pyspark - 在大型 PySpark 数据帧的每一行中应用一个函数？

Question

我有一个大数据框（~30M 行）。我有一个功能f。的业务f是遍历每一行，检查一些逻辑并将输出输入字典。该功能需要逐行执行。

我试过了：

dic = dict() for row in df.rdd.collect(): f(row, dic)

但我总是遇到错误OOM。我将 Docker 的内存设置为 8GB。

我怎样才能有效地开展业务？

Answer 1

from pyspark.sql.functions import udf, struct
from pyspark.sql.types import StringType, MapType

#sample data
df = sc.parallelize([
    ['a', 'b'],
    ['c', 'd'],
    ['e', 'f']
]).toDF(('col1', 'col2'))

#add logic to create dictionary element using rows of the dataframe    
def add_to_dict(l):
    d = {}
    d[l[0]] = l[1]
    return d
add_to_dict_udf = udf(add_to_dict, MapType(StringType(), StringType()))
#struct is used to pass rows of dataframe
df = df.withColumn("dictionary_item", add_to_dict_udf(struct([df[x] for x in df.columns])))
df.show()

#list of dictionary elements
dictionary_list = [i[0] for i in df.select('dictionary_item').collect()]
print dictionary_list

输出是：

[{u'a': u'b'}, {u'c': u'd'}, {u'e': u'f'}]

Answer 2

通过使用collect，您将所有数据从 Spark 执行器中提取到您的驱动程序中。你真的应该避免这种情况，因为它使使用 Spark 毫无意义（在这种情况下你可以只使用普通的 python）。

你能做什么：

• 使用已经可用的函数重新实现您的逻辑：pyspark.sql.functions doc

• 如果你不能做第一个，因为缺少功能，你可以定义一个用户定义的函数