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) .
此尝试导致“AttributeError:'NoneType'对象没有属性'_jvm'”:
df.foreachPartition(lambda iter: sum(1 for _ in iter))
我不想将迭代器的内容收集到内存中 .
1 回答
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:
EDIT
请注意,您的代码非常接近解决方案,只需
mapPartitions
需要返回迭代器: