Проблема с производительностью в PySpark / Aws Glue - PullRequest
Новая
       52

Проблема с производительностью в PySpark / Aws Glue

0 голосов
/ 01 марта 2019

У меня есть датафрейм.Мне нужно преобразовать каждую запись в JSON, а затем вызвать API с полезной нагрузкой JSON, чтобы вставить данные в postgress.У меня есть 14000 записей в кадре данных, и для вызова API и получения ответа, это занимает 5 часов.Есть ли способ улучшить производительность.Ниже приведен мой фрагмент кода. 

df_insert = spark.read \
.format(SNOWFLAKE_SOURCE_NAME) \
.options(**sfOptions) \
.option("dbtable", "source_table_name") \
.load()

json_insert = df_insert.toJSON().collect()

for row in json_insert:
  line = json.loads(row)
    headers = {
    'Authorization': authorization,
    'content-type': "application/json",
    'cache-control': "no-cache",
    }
  response = requests.request("POST", url_insert, data=payload, headers=headers)
  print(response.text)
  res = response.text
  response_result = json.loads(res)
  #print(response_result["httpStatus"])
  if response_result["message"] == 'success':
      print ("INFO : Record inserted successfully")
  else:
      print ("ERROR : Error in the record")
      status_code = response_result["status"]
      error_message =  response_result["error"]
      my_list = [(status_code,error_message,row)]
      df = sc.createDataFrame(my_list, ['status', 'error', 'json data'])
      df.write.format(SNOWFLAKE_SOURCE_NAME) \
      .options(**sfOptions) \
      .option("dbtable", "error_table") \
      .option("header", "true") \
      .option("truncate_table", "on") \
      .mode("append") \
      .save()

Примечание. Я знаю, что, выполнив «json_insert = df_insert.toJSON (). Collect ()», я теряю преимущество информационного кадра.Есть ли лучший способ сделать это?

1 Ответ

0 голосов
/ 01 марта 2019

df_insert.toJSON() возвращает RDD, что вы можете flatMap больше. 1 

source_rdd = df_insert.toJSON()

Выполните flatMap над этим СДР и получите СДР, содержащий только ошибки. 

headers = {
    'Authorization': authorization,
    'content-type': "application/json",
    'cache-control': "no-cache"
}

def post_service_error(row):
    # requests package may not be available in the node
    # see about adding files to the spark context
    response = requests.request("POST", url_insert, data=row, headers=headers)
    response_result = response.json()
    if response_result['message'] == 'success':
        print ("INFO : Record inserted successfully")
        return []
    print ("ERROR : Error in the record")
    status_code = response_result["status"]
    error_message =  response_result["error"]
    return [(status_code, error_message, row)]

errors_rdd = source_rdd.flatMap(post_service_error)

Конвертироватьошибки приводят к искровому DataFrame и сохраняют это до таблицы.

errors_df = sc.createDataFrame(errors_rdd, ['status', 'error', 'json data'])
(errors_df.write.format(SNOWFLAKE_SOURCE_NAME)
  .options(**sfOptions)
  .option("dbtable", "error_table")
  .option("header", "true")
  .option("truncate_table", "on")
  .mode("append")
  .save())

Если у вас есть API, к которому вы делаете запрос, я предлагаю изучить реализацию, которая принимает пакет этих объектов / массивов.Таким образом, вы можете разбить RDD перед отображением каждого раздела на пакетный запрос и впоследствии обработать ошибку.

...