使用PySpark,我有一些代码可以运行一堆查询。
for index, query in enumerate(query_map):
spark_dataframe.filter(
query).write.csv('s3://OutputBucket/Csvs/Query_{}'.format(index)
我是新手,但我明白每个分区都会将单个csv文件写入名为Query_[index]
的目录。现在我想收集这些文件并将它们放入pandas数据框中。
import boto3
import pandas
s3 = boto3.resource('s3')
my_bucket = s3.Bucket("OutputBucket")
#Get all csv names
csvs = [
"s3://OutputBucket/Csvs/"+\
str(i.key) for i in my_bucket.objects.filter(Prefix='Query/')]
to_concat = []
#Turn them into a dataframe
for csv in csvs:
try:
to_put_in.append(pandas.read_csv(csv))
except pandas.errors.EmptyDataError:
pass
#Join dataframe
my_big_dataframe = pandas.concat(to_concat)
问题是Pyspark写了很多空文件。所以我的代码花了很多时间尝试读取一个空的csv文件只是为了抛出一个异常。
据我所知,df_spark.toPandas()
函数违背了spark的目的,因为它将它放入驱动程序内存并且不使用每个分区的IO并行化。它也违背了使用coalesce
的火花的目的。所以写一堆csv然后手动读取它们并不是一个糟糕的主意。
我的问题是,是否有办法跳过那些由pyspark写入的空csv文件:
也许boto3可以先按大小排序,然后迭代直到我们罚款并清空文件?
PySpark有没有办法在没有击败pyspark的情况下做到这一点?
答案 0 :(得分:0)
# get the number of non-empty partitions in dataframe df
numNonEmptyPartitions = (df.rdd.glom().map(lambda x: 1 if len(x)>0 else 0).
reduce(lambda x,y: x+y))
df = df.coalesce(numNonEmptyPartitions)
现在,您将拥有所有非空分区。