Snaží získať hlbšie pochopenie toho, ako iskra funguje a bolo hrať sa s pyspark cli (2.4.0). Hľadal som rozdiel medzi využitím limit(n).show()
a show(n)
. Skončil som dostáva dve veľmi odlišné výkonu krát za dva veľmi podobné otázky. Nižšie sú príkazy som bežal. Parkety súbor, na ktorý odkazuje kód nižšie sa asi 50 stĺpcov a je viac ako 50 gb vo veľkosti na diaľkové HDFS.
# Create dataframe
>>> df = sqlContext.read.parquet('hdfs://hdfs.host/path/to.parquet') ↵
# Create test1 dataframe
>>> test1 = df.select('test_col') ↵
>>> test1.schema ↵
StructType(List(StructField(test_col,ArrayType(LongType,true),true)))
>>> test1.explain() ↵
== Physical Plan ==
*(1) Project [test_col#40]
+- *(1) FileScan parquet [test_col#40]
Batched: false,
Format: Parquet,
Location: InMemoryFileIndex[hdfs://hdfs.host/path/to.parquet],
PartitionCount: 25,
PartitionFilters: [],
PushedFilters: [],
ReadSchema: struct<test_col:array<bigint>>
# Create test2 dataframe
>>> test2 = df.select('test_col').limit(5) ↵
>>> test2.schema ↵
StructType(List(StructField(test_col,ArrayType(LongType,true),true)))
>>> test2.explain() ↵
== Physical Plan ==
CollectLimit 5
+- *(1) Project [test_col#40]
+- *(1) FileScan parquet [test_col#40]
Batched: false,
Format: Parquet,
Location: InMemoryFileIndex[hdfs://hdfs.host/path/to.parquet],
PartitionCount: 25,
PartitionFilters: [],
PushedFilters: [],
ReadSchema: struct<test_col:array<bigint>>
Všimnite si, že fyzické plán je takmer totožné pre oba test1
a test2
. Jedinou výnimkou je test2 plán začína "CollectLimit 5". Po nastavení tejto hore som bežal test1.show(5)
a test2.show(5)
. Test 1 vrátený výsledky okamžite. Test 2 ukázal pokrok bar s rokom 2010 úlohy a trvalo asi 20 minút (som mal len jeden konateľ)
Otázka Prečo test 2 (s limitom) vykonávať tak zle v porovnaní s test 1 (bez obmedzenia)? Súbor údajov a výsledok nastaviť boli identické a fyzické plán bol takmer identický.