如何在不耗尽内存的情况下在Java中打印整个数据框?
Dataset<Row> df = ...
我知道:
df.show()
将显示数据帧,但是如果数据帧足够大,则可能会耗尽内存。
我知道我可以使用以下内容限制内容:
df.show(rowCount, false)
但是想要打印整个数据帧,我不想限制内容......
我试过了:
df.foreachPartition(iter -> {
while(iter.hasNext()){
System.out.println(rowIter.next().mkString(",");)
}
});
但是这将打印在每个相应的节点上,而不是在驱动程序上...
如果有任何方法我可以打印驱动程序中的所有内容而不会耗尽内存?
你必须把所有数据都带到驱动程序,这会吸引你的记忆:( ...
解决方案可能是分割您的数据框并在驱动程序中逐段打印。当然,它取决于数据本身的结构,它看起来像:
long count = df.count();
long inc = count / 10;
for (long i = 0; i < count; i += inc) {
Dataset<Row> filteredDf =
df.where("id>=" + i + " AND id<" + (i + inc));
List<Row> rows = filteredDf.collectAsList();
for (Row r : rows) {
System.out.printf("%d: %s\n", r.getAs(0), r.getString(1));
}
}
我将数据集拆分为10,但我知道我的ID是1到100 ...
完整的例子可能是:
package net.jgp.books.sparkWithJava.ch20.lab900_splitting_dataframe;
import java.util.ArrayList;
import java.util.List;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.RowFactory;
import org.apache.spark.sql.SparkSession;
import org.apache.spark.sql.types.DataTypes;
import org.apache.spark.sql.types.StructField;
import org.apache.spark.sql.types.StructType;
/**
* Splitting a dataframe to bring it back to the driver for local
* processing.
*
* @author jgp
*/
public class SplittingDataframeApp {
/**
* main() is your entry point to the application.
*
* @param args
*/
public static void main(String[] args) {
SplittingDataframeApp app = new SplittingDataframeApp();
app.start();
}
/**
* The processing code.
*/
private void start() {
// Creates a session on a local master
SparkSession spark = SparkSession.builder()
.appName("Splitting a dataframe to collect it")
.master("local")
.getOrCreate();
Dataset<Row> df = createRandomDataframe(spark);
df = df.cache();
df.show();
long count = df.count();
long inc = count / 10;
for (long i = 0; i < count; i += inc) {
Dataset<Row> filteredDf =
df.where("id>=" + i + " AND id<" + (i + inc));
List<Row> rows = filteredDf.collectAsList();
for (Row r : rows) {
System.out.printf("%d: %s\n", r.getAs(0), r.getString(1));
}
}
}
private static Dataset<Row> createRandomDataframe(SparkSession spark) {
StructType schema = DataTypes.createStructType(new StructField[] {
DataTypes.createStructField(
"id",
DataTypes.IntegerType,
false),
DataTypes.createStructField(
"value",
DataTypes.StringType,
false) });
List<Row> rows = new ArrayList<Row>();
for (int i = 0; i < 100; i++) {
rows.add(RowFactory.create(i, "Row #" + i));
}
Dataset<Row> df = spark.createDataFrame(rows, schema);
return df;
}
}
你觉得这有用吗?
它不像在数据库中保存它那样优雅,但它允许避免架构中的其他组件。这段代码不是很通用,我不确定你能否在当前版本的Spark中使它成为通用代码。
AFAIK,打印数据框的想法是查看数据。
建议不要根据数据帧大小打印大型数据帧。
我提供以下方式,如果你想看到内容,那么你可以保存在hive表中并查询内容。或者写入可读的csv或json
例子:
1)保存在蜂巢表中
df.write.mode("overwrite").saveAsTable("database.tableName")
以后从hive表中查询。
2)csv或json
df.write.csv("/your/location/data.csv")
df.write.json("/your/location/data.json")
如果你想要单个文件使用coalesce(1)
,上面会产生多个部分文件(但是这会再次将数据移动到一个节点,除非你绝对需要它,否则不鼓励它)
其他选项是使用toLocalIterator
see here逐行打印,这也将数据传输到节点...因此它不是一个好主意