我有3个数据集,我想加入和分组,以获得一个包含聚合数据的csv。
数据作为Parquet文件存储在hadoop中,我使用zeppelin运行apachespark+scala进行数据处理。
我的数据集如下所示:
user_actions.show(10)
user_clicks.show(10)
user_options.show(10)
+--------------------+--------------------+
| id| keyword|
+--------------------+--------------------+
|00000000000000000001| aaaa1|
|00000000000000000002| aaaa1|
|00000000000000000003| aaaa2|
|00000000000000000004| aaaa2|
|00000000000000000005| aaaa0|
|00000000000000000006| aaaa4|
|00000000000000000007| aaaa1|
|00000000000000000008| aaaa2|
|00000000000000000009| aaaa1|
|00000000000000000010| aaaa1|
+--------------------+--------------------+
+--------------------+-------------------+
| search_id| selected_user_id|
+--------------------+-------------------+
|00000000000000000001| 1234|
|00000000000000000002| 1234|
|00000000000000000003| 1234|
|00000000000000000004| 1234|
+--------------------+-------------------+
+--------------------+----------+----------+
| search_id| user_id| position|
+--------------------+----------+----------+
|00000000000000000001| 1230| 1|
|00000000000000000001| 1234| 3|
|00000000000000000001| 1232| 2|
|00000000000000000002| 1231| 1|
|00000000000000000002| 1232| 2|
|00000000000000000002| 1233| 3|
|00000000000000000002| 1234| 4|
|00000000000000000003| 1234| 1|
|00000000000000000004| 1230| 1|
|00000000000000000004| 1234| 2|
+--------------------+----------+----------+
我试图实现的是为每个用户id获取一个带有关键字的json,因为我需要将它们导入mysql,并将用户id作为pk。
user_id,keywords
1234,"{\"aaaa1\":3.5,\"aaaa2\":0.5}"
如果json不是现成的,我可以使用元组或任何字符串:
user_id,keywords
1234,"(aaaa1,0.58333),(aaaa2,1.5)"
到目前为止我所做的是:
val user_actions_data = user_actions
.join(user_options, user_options("search_id") === user_actions("id"))
val user_actions_full_data = user_actions_data
.join(
user_clicks,
user_clicks("search_id") === user_actions_data("search_id") && user_clicks("selected_user_id") === user_actions_data("user_id"),
"left_outer"
)
val user_actions_data_groupped = user_actions_full_data
.groupBy("user_id", "search")
.agg("search" -> "count", "selected_user_id" -> "count", "position" -> "avg")
def udfScoreForUser = ((position: Double, searches: Long) => ( position/searches ))
val search_log_keywords = user_actions_data_groupped.rdd.map({row => row(0) -> (row(1) -> udfScoreForUser(row.getDouble(4), row.getLong(2)))}).groupByKey()
val search_log_keywords_array = search_log_keywords.collect.map(r => (r._1.asInstanceOf[Long], r._2.mkString(", ")))
val search_log_keywords_df = sc.parallelize(search_log_keywords_array).toDF("user_id","keywords")
.coalesce(1)
.write.format("csv")
.option("header", "true")
.mode("overwrite")
.save("hdfs:///Search_log_testing_keywords/")
虽然这在一个小数据集和我的输出csv文件中工作正常:
user_id,keywords
1234,"(aaaa1,0.58333), (aaaa2,0.5)"
我有问题时,它对200+gb的数据运行。
我对spark&scala还比较陌生,但我觉得我遗漏了一些东西,我不应该使用df到rdd,collect到array上Map,并将其并行化回df以导出到csv。
作为总结,我想对所有关键字应用评分,并按用户id对它们进行分组,然后将其保存到csv中。到目前为止,我所做的工作适用于一个小数据集,但当我将其应用于200gb+的数据时,apachespark失败了。
2条答案
按热度按时间jrcvhitl1#
是的,任何依靠
collect
在spark中通常是错误的-除非您正在调试某些东西。当你打电话的时候collect
所有数据都是在一个数组中的驱动程序中收集的,因此对于大多数大数据集来说,这甚至不是一个选项—您的驱动程序将抛出一个oom并死亡。我不明白的是你为什么一开始就要收藏?为什么不简单地Map到分布式数据集上呢?
这样,一切都是并行进行的。
关于在
dataframes
以及rdds
,那我现在就不用太担心了。我知道社区大多提倡使用dataframes
,但取决于spark的版本和您的用例,rdds
也许是个更好的选择。00jrzges2#
hdfs的主要目标是将文件分割成块并冗余地存储它。最好将数据分区存储在hdfs中,除非您绝对需要一个大文件。