spark.read.parquet 和spark.read.format.load 之间的速度差异

Question

我试图了解是什么导致了阅读速度的巨大差异。我有一个包含 3000 万行和 38 列的数据框。

final_df=spark.read.parquet("/dbfs/FileStore/path/to/file.parquet")

读取文件需要 14 分钟。

同时

final_df = spark.read.format("parquet").load("/dbfs/FileStore/path/to/file.parquet")

读取文件仅需2秒。

Answer 1

spark.read.parquet(filename)

和

spark.read.format("parquet").load(filename)

做完全相同的事情。

我们可以在源代码中看到这一点（采用 Spark 3.3.2，本文发布时的最新版本）。

  /**
   * Loads a Parquet file, returning the result as a `DataFrame`.
   *
   * Parquet-specific option(s) for reading Parquet files can be found in
   * <a href=
   *   "https://spark.apache.org/docs/latest/sql-data-sources-parquet.html#data-source-option">
   *   Data Source Option</a> in the version you use.
   *
   * @since 1.4.0
   */
  @scala.annotation.varargs
  def parquet(paths: String*): DataFrame = {
    format("parquet").load(paths: _*)
  }

我们看到，调用

spark.read.parquet(filename)

实际上是

spark.read.format("parquet").load(filename)

的一种“别名”。

结论

这两种读取文件的方法是完全相同的。此外，使用这些方法读取文件是一种惰性转换，而不是一个操作。只需 2 秒即可读取 3000 万行和 38 列的数据集，这非常快，可能太快了（取决于您的硬件）。

因此，就您而言，可能发生了以下情况之一：

• 也许您在“慢”操作之后调用了一项操作，触发了实际读取，但没有为“快”操作执行此操作。 “快”的人实际上并没有读入文件。
• 也许在第一次读取后，您的数据集以某种方式被缓存。这可以消除再次读取文件的需要。
• ...或者别的什么:)