Spark DataSet 过滤器性能答案

【问题标题】：Spark DataSet filter performanceSpark DataSet 过滤器性能
【发布时间】：2016-12-20 19:36:44
【问题描述】：

我一直在尝试不同的方法来过滤类型化的数据集。事实证明，性能可能完全不同。

数据集是基于 1.6 GB 的数据行创建的，其中包含 33 列和 4226047 行。 DataSet 通过加载 csv 数据创建并映射到案例类。

val df = spark.read.csv(csvFile).as[FireIncident]

UnitId = 'B02' 上的过滤器应返回 47980 行。我测试了以下三种方法： 1) 使用类型化列（本地主机约 500 毫秒）

df.where($"UnitID" === "B02").count()

2）使用临时表和sql查询（~与选项1相同）

df.createOrReplaceTempView("FireIncidentsSF")
spark.sql("SELECT * FROM FireIncidentsSF WHERE UnitID='B02'").count()

3) 使用强类型类字段（14,987ms，即慢 30 倍）

df.filter(_.UnitID.orNull == "B02").count()

我用python API再次测试，同样的数据集，时间为17046ms，与scala API option 3的性能相当。

df.filter(df['UnitID'] == 'B02').count()

有人能解释一下 3) 和 python API 的执行方式与前两个选项的不同吗？

【问题讨论】：

【解决方案1】：

这是因为步骤 3 here。

在前两个中，spark 不需要反序列化整个 Java/Scala 对象 - 它只查看一列并继续前进。

在第三个中，由于您使用的是 lambda 函数，spark 无法判断您只需要一个字段，因此它会为每一行从内存中提取所有 33 个字段，以便您可以检查一个字段.

我不确定为什么第四个这么慢。似乎它的工作方式与第一个相同。

【讨论】：

非常有见地的答案。如果你在 Dataset<Row> 上写 java:datasetRdd.filter(r -> r.<String>getAs("event_type_id").equals("LOG")) 会发生什么？
@DusanVasiljevic 相同，只要您使用的是 lambda。您可以保留类型，但您必须对其执行无类型操作以避免加载到内存中。

【解决方案2】：

在运行 python 时，首先将代码加载到 JVM 上，进行解释，然后最终编译成字节码。使用 Scala API 时，Scala 原生在 JVM 上运行，因此您将整个加载 python 代码剪切到 JVM 部分。

【讨论】：