在 pyspark 中使用 foreachPartition() function 時如何知道當前正在運行哪個分區？

Question

我需要將分區保存到每個分區具有不同名稱的文本文件中。 但是在下面的代碼片段下運行時，只有一個文件通過覆蓋前一個分區來保存。

def chunks(iterator):
    chunks.counter += 1
    l = (list(iterator))
    df = pd.DataFrame(l,index=None)
    df.to_csv(parent_path+"C"+str(chunks.counter+1)+".txt", header=None, index=None, sep=' ')

chunks.counter=0
sc.parallelize([1,2,3,4,5,6],num_partions).foreachPartition(chunks)

有什么方法可以知道 pySpark 當前正在運行哪個分區？

Answer 1

def chunks(lst, n):
    # Yield successive n-sized chunks from the lst...
    for i in (range(0, len(lst), n)):
        yield i, lst[i:i + n]

for (index, values) in chunks(range(0, 1e5), 1e3): # change this to int's as per your need otherwise it will give float error or will write range obj itself..
    with open(f"{parent_path}_C_{index}.txt", "w") as output:
        output.write(str(values)) # converting to str

你甚至可以輕松地將它包裝到joblib中；）在我看來，我們不需要PySpark ..