为数十亿个不同的键优化分区

Question

我每天都在使用 PySpark 处理一个文件，以获取有关设备通过网络导航的信息。在每个月底，我想使用窗口功能来为每个设备进行导航。这是一个非常缓慢的处理，即使有很多节点，所以我正在寻找加快它的方法。

我的想法是对数据进行分区，但我有 20 亿个不同的键，所以 partitionBy 似乎不合适。即使bucketBy 也可能不是一个好的选择，因为我每天都会创建n 存储桶，因此不会附加文件，但每天都会创建x 个文件。

有人有解决办法吗？

所以这里是每天导出的示例（在每个 parquet 文件中，我们找到 9 个分区）：

这是我们在每个月初启动的 partitionBy 查询（compute_visit_number 和 compute_session_number 是我在笔记本上创建的两个 udf）：

Answer 1

您要确保每个设备的数据都在同一个分区中，以防止在执行窗口功能时发生交换。或者至少尽量减少数据所在的分区数。

为此，我将在您写入数据时创建一个名为 partitionKey 的列 - 其中包含 mc_device 列上的 mod - 您修改的数字是您想要的分区数。基于将运行月末查询的集群大小的这个数字。 （如果 mc_device 不是整数，则先创建校验和）。

如果仍然需要，您可以在日期列上创建辅助分区。

您的月末查询应该改变：

w = Windows.partitionBy('partitionKey', 'mc_device').orderBy(event_time')

如果您将日期保留为辅助分区列，则仅将数据帧重新分区为 partitionKey：

df = df.repartition('partitionKey')

此时，每个设备的数据都将在同一个分区中，不需要进行任何交换。排序应该更快，并且您的查询有望在合理的时间内完成。

如果仍然很慢，则在写入数据时需要更多分区。