PySpark ve velkém měřítku

Introduction to PySpark

Benjamin Schmidt

Data Engineer

Využití velkého měřítka

PySpark efektivně zpracovává gigabajty i terabajty dat
Cílem je rychlost a efektivní zpracování
Pochopení spouštění PySparku přináší další úspory
Použijte broadcast pro správu celého clusteru

joined_df = large_df.join(broadcast(small_df), 
                          on="key_column", how="inner")
joined_df.show()

Plány spouštění

# Using explain() to view the execution plan
df.filter(df.Age > 40).select("Name").explain()

== Physical Plan ==
*(1) Filter (isnotnull(Age) AND (Age > 30))
+- Scan ExistingRDD[Name:String, Age:Int]

¹ https://spark.apache.org/docs/latest/api/python/reference/pyspark.sql/api/pyspark.sql.DataFrame.explain.html

Caching a persisting DataFramů

Caching: Ukládá data do paměti pro rychlejší přístup u menších datasetů
Persisting: Ukládá data na různých úrovních úložiště pro větší datasety

df = spark.read.csv("large_dataset.csv", header=True, inferSchema=True)

# Cache the DataFrame
df.cache()


# Perform multiple operations on the cached DataFrame
df.filter(df["column1"] > 50).show()
df.groupBy("column2").count().show()

Persisting DataFramů s různými úrovněmi úložiště

# Persist the DataFrame with storage level
from pyspark import StorageLevel

df.persist(StorageLevel.MEMORY_AND_DISK)


# Perform transformations
result = df.groupBy("column3").agg({"column4": "sum"})
result.show()

# Unpersist after use
df.unpersist()

Optimalizace PySparku

Malé podmnožiny: Čím více dat, tím pomalejší operace – preferujte map() před groupby() kvůli selektivitě metod
Broadcast joiny: Broadcast využije veškerou výpočetní kapacitu, i na menších datasetech
Vyhněte se opakovaným akcím: Opakované akce nad stejnými daty plýtvají časem i výpočetními zdroji

Lass uns üben!

Introduction to PySpark