我有一个非常简单的Spark DataFrame,当运行DataFrame groupby时,性能非常糟糕 - 比(在我脑中)等效的RDD reduceByKey慢约8倍...
我的缓存DF只有两列,客户和名称只有5万行:
== Physical Plan ==
InMemoryColumnarTableScan [customer#2454,name#2456], InMemoryRelation [customer#2454,name#2456], true, 10000, StorageLevel(true, true, false, true, 1), Scan ParquetRelation[customer#2454,name#2456] InputPaths: hdfs://nameservice1/tmp/v2_selected_parquet/test_parquet2, None
当我运行以下两个片段时,我期望性能相似,不是rdd版本在10s运行而DF版本在85s运行...
rawtempDF2.rdd.map(lambda x: (x['name'], 1)).reduceByKey(lambda x,y: x+y).collect()
rawtempDF2.groupby('name').count().collect()
我错过了一些非常基本的东西吗? FWIW,RDD版本运行54个阶段,DF版本为227:/
编辑:我正在使用Spark 1.6.1和Python 3.4.2 . 编辑2:此外,源镶木地板是分区客户/日/名称 - 目前27客户,1天,c . 45个名字 .
1 回答
这两个数字似乎都相对较高,并且不清楚如何创建
DataFrame
或测量时间,但一般来说,这样的差异可以通过与分区数量相比较少的记录来解释 .spark.sql.shuffle.partitions
的默认值为200,表示您获得的任务数 . 使用50K记录时,启动任务的开销将高于从并行执行中获得的加速 . 让我们用一个简单的例子来说明 . 首先让我们创建一个示例数据:并根据
shuffle.partitions
的数量来衡量时间:虽然这些值与您声称的值不可比,并且此数据已在本地模式下收集,但您可以看到相对清晰的模式 . 这同样适用于RDD:
在适当的分布式环境中,由于网络IO的成本,这将更高 .
仅供比较,让我们检查在没有Spark的情况下在本地执行此任务需要多长时间
您还应该查看数据位置 . 根据您使用的存储和配置,即使使用这样的小输入,这也会给您的作业增加额外的延迟 .