Spark打印数据帧没有耗尽内存

Question

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？

Answer 1

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。

Answer 2

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