在 Pyspark 中执行 foreachPartition 后获取空数据帧

Question

我是 PySpark 的新手，我正在尝试在我的数据帧中执行 foreachPartition 函数，然后我想使用相同的数据帧执行另一个函数。 问题是在使用 foreachPartition 函数后，我的数据框变空了，所以我无法用它做任何其他事情。 我的代码如下所示：

def my_random_function(partition, parameters):
    #performs something with the dataframe
    #does not return anything

my_py_spark_dataframe.foreachPartition(
    lambda partition: my_random_function(partition, parameters))

有人能告诉我如何执行这个 foreachPartition 并使用相同的数据框来执行其他功能吗？

我看到一些用户谈论使用 df.toPandas().copy() 复制数据框，但在我的例子中，这会导致一些执行问题，所以我想使用相同的数据框而不是创建一个新的数据框。

先感谢您！

Answer 1

不清楚您正在尝试哪种操作； 但这是foreachPartition的示例用法：

示例数据是来自三大洲的国家/地区列表：

+---------+-------+
|Continent|Country|
+---------+-------+
|       NA|    USA|
|       NA| Canada|
|       NA| Mexico|
|       EU|England|
|       EU| France|
|       EU|Germany|
|     ASIA|  India|
|     ASIA|  China|
|     ASIA|  Japan|
+---------+-------+

以下代码按“Continent”对数据进行分区，使用foreachPartition迭代每个分区，并将“Country”名称写入该特定分区的每个文件，即 continent。

df = spark.createDataFrame(data=[["NA", "USA"], ["NA", "Canada"], ["NA", "Mexico"], ["EU", "England"], ["EU", "France"], ["EU", "Germany"], ["ASIA", "India"], ["ASIA", "China"], ["ASIA", "Japan"]], schema=["Continent", "Country"])
df.withColumn("partition_id", F.spark_partition_id()).show()

df = df.repartition(F.col("Continent"))
df.withColumn("partition_id", F.spark_partition_id()).show()

def write_to_file(rows):
  for row in rows:
    with open(f"/content/sample_data/{row.Continent}.txt", "a+") as f:
      f.write(f"{row.Country}\n")

df.foreachPartition(write_to_file)

输出：

三个文件：每个分区一个。

!ls -1 /content/sample_data/

ASIA.txt
EU.txt
NA.txt

每个文件都有该大陆（分区）的国家名称：

!cat /content/sample_data/ASIA.txt
India
China
Japan

!cat /content/sample_data/EU.txt
England
France
Germany

!cat /content/sample_data/NA.txt
USA
Canada
Mexico