次の方法で共有

DataSourceArrowWriter

PyArrow の RecordBatchを使用してデータを処理するデータ ソース ライターの基本クラス。

Spark Row オブジェクトの反復子で動作するDataSourceWriterとは異なり、このクラスは、データを書き込むときに Arrow 形式に最適化されています。 Arrow をネイティブにサポートするシステムまたはライブラリとやり取りするときに、パフォーマンスを向上させることができます。 このクラスを実装し、 DataSource.writer() からインスタンスを返して、Arrow を使用してデータ ソースを書き込み可能にします。

構文

from pyspark.sql.datasource import DataSourceArrowWriter

class MyDataSourceArrowWriter(DataSourceArrowWriter):
    def write(self, iterator):
        ...

メソッド

メソッド 説明
write(iterator) PyArrow RecordBatch オブジェクトの反復子をシンクに書き込みます。 各 Executor で 1 回呼び出されます。 コミット メッセージがない場合は、 WriterCommitMessageまたは None を返します。 このメソッドは抽象メソッドであり、実装する必要があります。
commit(messages) すべての Executor から収集されたコミット メッセージの一覧を使用して、書き込みジョブをコミットします。 すべてのタスクが正常に実行されたときにドライバーで呼び出されます。 このプロパティは、DataSourceWriter から継承されています。
abort(messages) すべての Executor から収集されたコミット メッセージの一覧を使用して、書き込みジョブを中止します。 1 つ以上のタスクが失敗したときにドライバーで呼び出されます。 このプロパティは、DataSourceWriter から継承されています。

メモ

  • ドライバーは、すべての Executor からコミット メッセージを収集し、すべてのタスクが成功した場合は commit() に渡すか、タスクが失敗した場合に abort() します。
  • 書き込みタスクが失敗した場合、そのコミット メッセージは、commit()またはabort()に渡された一覧にNoneされます。

例示

すべてのバッチの行をカウントする方向ベースのライターを実装します。

from dataclasses import dataclass
from pyspark.sql.datasource import DataSource, DataSourceArrowWriter, WriterCommitMessage

@dataclass
class MyCommitMessage(WriterCommitMessage):
    num_rows: int

class MyDataSourceArrowWriter(DataSourceArrowWriter):
    def write(self, iterator):
        total_rows = 0
        for batch in iterator:
            total_rows += len(batch)
        return MyCommitMessage(num_rows=total_rows)

    def commit(self, messages):
        total = sum(m.num_rows for m in messages if m is not None)
        print(f"Committed {total} rows")

    def abort(self, messages):
        print("Write job failed, performing cleanup")
  • Last updated on