多个 RDD 的 Spark 联合

Question

在我的猪代码中，我这样做：

all_combined = Union relation1, relation2, 
    relation3, relation4, relation5, relation 6.

我想用火花做同样的事情。 但是，不幸的是，我发现我必须成对地做：

first = rdd1.union(rdd2)
second = first.union(rdd3)
third = second.union(rdd4)
# .... and so on

是否有一个联合运算符可以让我一次对多个 rdd 进行操作：

例如union(rdd1, rdd2,rdd3, rdd4, rdd5, rdd6)

这是一个方便的问题。

Answer 1

如果这些是 RDD，您可以使用SparkContext.union方法：

rdd1 = sc.parallelize([1, 2, 3])
rdd2 = sc.parallelize([4, 5, 6])
rdd3 = sc.parallelize([7, 8, 9])

rdd = sc.union([rdd1, rdd2, rdd3])
rdd.collect()

## [1, 2, 3, 4, 5, 6, 7, 8, 9]

没有DataFrame等价物，但它只是一个简单的单行问题：

from functools import reduce  # For Python 3.x
from pyspark.sql import DataFrame

def unionAll(*dfs):
    return reduce(DataFrame.unionAll, dfs)

df1 = sqlContext.createDataFrame([(1, "foo1"), (2, "bar1")], ("k", "v"))
df2 = sqlContext.createDataFrame([(3, "foo2"), (4, "bar2")], ("k", "v"))
df3 = sqlContext.createDataFrame([(5, "foo3"), (6, "bar3")], ("k", "v"))

unionAll(df1, df2, df3).show()

## +---+----+
## |  k|   v|
## +---+----+
## |  1|foo1|
## |  2|bar1|
## |  3|foo2|
## |  4|bar2|
## |  5|foo3|
## |  6|bar3|
## +---+----+

如果DataFrames数量很大，在SparkContext.union上使用SparkContext.union并重新创建DataFrame可能是更好的选择，以避免与准备执行计划的成本相关的问题：

def unionAll(*dfs):
    first, *_ = dfs  # Python 3.x, for 2.x you'll have to unpack manually
    return first.sql_ctx.createDataFrame(
        first.sql_ctx._sc.union([df.rdd for df in dfs]),
        first.schema
    )

Answer 2

您还可以在 RDD 之间对 UNION 使用加法

rdd = sc.parallelize([1, 1, 2, 3])
(rdd + rdd).collect()
## [1, 1, 2, 3, 1, 1, 2, 3]

Answer 3

不幸的是，这是在 Spark 中UNION表的唯一方法。 然而，而不是

first = rdd1.union(rdd2)
second = first.union(rdd3)
third = second.union(rdd4)
...

您可以像这样以更简洁的方式执行它：

result = rdd1.union(rdd2).union(rdd3).union(rdd4)