我正在一个拥有数百万条记录的数据集上运行 groupBy()
并希望保存结果输出(pyspark GroupedData
对象),以便我可以在以后对其进行反序列化并从该点恢复(根据需要在其上运行聚合) .
df.groupBy("geo_city")
<pyspark.sql.group.GroupedData at 0x10503c5d0>
我想避免将GroupedData对象转换为DataFrames或RDD,以便将其保存为文本文件或镶木地板/ avro格式(因为转换操作很昂贵) . 是否有一些其他有效的方法将 GroupedData
对象存储为某种二进制格式以实现更快的读/写? Spark可能有些相当于泡菜?
1 回答
没有,因为
GroupedData
不是真的 . 它根本不对数据执行任何操作 . 它仅描述了对后续agg
的结果执行操作时应如何进行实际聚合 .您可以序列化底层JVM对象并在以后恢复它,但这是浪费时间 . 由于
groupBy
仅描述了必须完成的操作,因此从头开始重新创建GroupedData
对象的成本应该可以忽略不计 .