[英]How do I ensure consistent file sizes in datasets built in Foundry Python Transforms?
我的 Foundry 轉換在不同的運行中產生不同數量的數據,但我希望每個文件中的行數相似。 我可以使用DataFrame.count()然后合並/重新分區,但這需要計算完整的數據集,然后再次緩存或重新計算它。 Spark有辦法解決這個問題嗎?
您可以使用 spark.sql.files.maxRecordsPerFile 配置選項,方法是按照 @transform 的 output 設置它:
output.write_dataframe(
output_df,
options={"maxRecordsPerFile": "1000000"},
)
如果您唯一關心的是每個文件的記錄數, proggeo
的答案很有用。 但是,有時對數據進行分桶很有用,因此 Foundry 能夠優化下游操作,例如輪廓分析或其他轉換。
在這些情況下,您可以使用以下內容:
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,
)
如果您的存儲桶列分布良好,這將有助於保持每個數據集文件的行數相似。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.