计算每个pyspark RDD分区中的元素数

Question

我正在寻找相当于这个问题的Pyspark：How to get the number of elements in partition?。

具体来说，我想以编程方式计算pyspark RDD或dataframe的每个分区中的元素数量（我知道这些信息在Spark Web UI中可用）。

这个尝试：

df.foreachPartition(lambda iter: sum(1 for _ in iter))

结果是：

AttributeError：'NoneType'对象没有属性'_jvm'

我不想将迭代器的内容收集到内存中。

Answer 1

如果你问：我们可以在没有迭代的情况下获得迭代器中的元素数量吗？答案是No。

但是我们不必将它存储在内存中，就像你提到的帖子一样：

def count_in_a_partition(idx, iterator):
  count = 0
  for _ in iterator:
    count += 1
  return idx, count

data = sc.parallelize([
    1, 2, 3, 4
], 4)

data.mapPartitionsWithIndex(count_in_a_partition).collect()

编辑

请注意，您的代码非常接近解决方案，只需要mapPartitions需要返回迭代器：

def count_in_a_partition(iterator):
  yield sum(1 for _ in iterator)

data.mapPartitions(count_in_a_partition).collect()