以下文档包含有关如何使用Spark访问数据以用于数据科学工作区的示例。 有关使用JupyterLab笔记本访问数据的信息,请访问JupyterLab笔记本数据访问文档。
使用Spark需要将性能优化添加到SparkSession
。 此外,还可以设置configProperties
供以后读取和写入数据集。
import com.adobe.platform.ml.config.ConfigProperties
import com.adobe.platform.query.QSOption
import org.apache.spark.sql.{DataFrame, SparkSession}
Class Helper {
/**
*
* @param configProperties - Configuration Properties map
* @param sparkSession - SparkSession
* @return - DataFrame which is loaded for training
*/
def load_dataset(configProperties: ConfigProperties, sparkSession: SparkSession, taskId: String): DataFrame = {
// Read the configs
val userToken: String = sparkSession.sparkContext.getConf.get("ML_FRAMEWORK_IMS_TOKEN", "").toString
val orgId: String = sparkSession.sparkContext.getConf.get("ML_FRAMEWORK_IMS_ORG_ID", "").toString
val apiKey: String = sparkSession.sparkContext.getConf.get("ML_FRAMEWORK_IMS_CLIENT_ID", "").toString
val sandboxName: String = sparkSession.sparkContext.getConf.get("sandboxName", "").toString
}
}
使用Spark时,您可以访问两种阅读模式:交互式和批处理。
交互模式创建到Query Service的Java数据库连接(JDBC)连接,并通过自动转换为DataFrame
的常规JDBC ResultSet
获取结果。 此模式的工作方式与内置Spark方法spark.read.jdbc()
类似。 此模式仅适用于小数据集。 如果数据集超过500万行,建议您换用批处理模式。
批处理模式使用Query Service的COPY命令在共享位置生成Parce结果集。 然后,可以进一步处理这些Parke文件。
在交互模式下读取数据集的示例如下所示:
// Read the configs
val userToken: String = sparkSession.sparkContext.getConf.get("ML_FRAMEWORK_IMS_TOKEN", "").toString
val orgId: String = sparkSession.sparkContext.getConf.get("ML_FRAMEWORK_IMS_ORG_ID", "").toString
val apiKey: String = sparkSession.sparkContext.getConf.get("ML_FRAMEWORK_IMS_CLIENT_ID", "").toString
val sandboxName: String = sparkSession.sparkContext.getConf.get("sandboxName", "").toString
val dataSetId: String = configProperties.get(taskId).getOrElse("")
// Load the dataset
var df = sparkSession.read.format(PLATFORM_SDK_PQS_PACKAGE)
.option(QSOption.userToken, userToken)
.option(QSOption.imsOrg, orgId)
.option(QSOption.apiKey, apiKey)
.option(QSOption.mode, "interactive")
.option(QSOption.datasetId, dataSetId)
.option(QSOption.sandboxName, sandboxName)
.load()
df.show()
df
}
同样,在批处理模式下读取数据集的示例如下所示:
val df = sparkSession.read.format(PLATFORM_SDK_PQS_PACKAGE)
.option(QSOption.userToken, userToken)
.option(QSOption.imsOrg, orgId)
.option(QSOption.apiKey, apiKey)
.option(QSOption.mode, "batch")
.option(QSOption.datasetId, dataSetId)
.option(QSOption.sandboxName, sandboxName)
.load()
df.show()
df
df = df.select("column-a", "column-b").show()
DISTINCT子句允许您在行/列级别提取所有不同值,从响应中删除所有重复值。
使用distinct()
函数的示例如下所示:
df = df.select("column-a", "column-b").distinct().show()
Spark SDK允许使用两种筛选方法:使用SQL表达式或通过筛选条件。
使用这些过滤函数的示例如下所示:
df.where("age > 15")
df.where("age" > 15 || "name" = "Steve")
ORDER BY子句允许按指定列按特定顺序(升序或降序)对接收结果进行排序。 在Spark SDK中,这是使用sort()
函数完成的。
使用sort()
函数的示例如下所示:
df = df.sort($"column1", $"column2".desc)
LIMIT子句允许您限制从数据集接收的记录数。
使用limit()
函数的示例如下所示:
df = df.limit(100)
使用configProperties
映射,可以使用QSOption
在Experience Platform写入数据集。
val userToken: String = sparkSession.sparkContext.getConf.get("ML_FRAMEWORK_IMS_TOKEN", "").toString
val orgId: String = sparkSession.sparkContext.getConf.get("ML_FRAMEWORK_IMS_ORG_ID", "").toString
val apiKey: String = sparkSession.sparkContext.getConf.get("ML_FRAMEWORK_IMS_CLIENT_ID", "").toString
val sandboxName: String = sparkSession.sparkContext.getConf.get("sandboxName", "").toString
df.write.format(PLATFORM_SDK_PQS_PACKAGE)
.option(QSOption.userToken, userToken)
.option(QSOption.imsOrg, orgId)
.option(QSOption.apiKey, apiKey)
.option(QSOption.datasetId, scoringResultsDataSetId)
.option(QSOption.sandboxName, sandboxName)
.save()
Adobe Experience Platform数据科学工作区提供Scala(Spark)菜谱样本,它使用上述代码样本来读取和写入数据。 如果您想进一步了解如何使用Spark访问数据,请查阅数据科学工作区缩放GitHub存储库。