[英]How do I ensure consistent file sizes in datasets built in Foundry Python Transforms?
我的 Foundry 转换在不同的运行中产生不同数量的数据,但我希望每个文件中的行数相似。 我可以使用DataFrame.count()然后合并/重新分区,但这需要计算完整的数据集,然后再次缓存或重新计算它。 Spark有办法解决这个问题吗?
您可以使用 spark.sql.files.maxRecordsPerFile 配置选项,方法是按照 @transform 的 output 设置它:
output.write_dataframe(
output_df,
options={"maxRecordsPerFile": "1000000"},
)
如果您唯一关心的是每个文件的记录数, proggeo
的答案很有用。 但是,有时对数据进行分桶很有用,因此 Foundry 能够优化下游操作,例如轮廓分析或其他转换。
在这些情况下,您可以使用以下内容:
bucket_column = 'equipment_number'
num_files = 8
output_df = output_df.repartition(num_files, bucket_column)
output.write_dataframe(
output_df,
bucket_cols=[bucket_column],
bucket_count=num_files,
)
如果您的存储桶列分布良好,这将有助于保持每个数据集文件的行数相似。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.