Accès aux données à l’aide de Spark dans Data Science Workspace
Le document suivant contient des exemples d’accès aux données à l’aide de Spark en vue de leur utilisation dans Data Science Workspace. Pour plus d’informations sur l’accès aux données à l’aide des notebooks JupyterLab, consultez la documentation sur l’accès aux données des notebooks JupyterLab .
Prise en main
L’utilisation de Spark nécessite des optimisations de performances qui doivent être ajoutées à la SparkSession. En outre, vous pouvez également configurer configProperties pour lire et écrire ultérieurement dans les jeux de données.
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
}
}
Lecture d’un jeu de données
Lorsque vous utilisez Spark, vous avez accès à deux modes de lecture : interactive et par lots.
Le mode interactif crée une connexion JDBC (Java Database Connectivity) à Query Service et obtient les résultats par le biais d’un ResultSet JDBC standard qui est automatiquement traduit en DataFrame. Ce mode fonctionne de la même manière que la méthode de Spark intégrée spark.read.jdbc(). Ce mode est destiné uniquement aux petits jeux de données. Si votre jeu de données dépasse 5 millions de lignes, il est suggéré de passer en mode batch.
Le mode batch utilise la commande COPY de Query Service pour générer des jeux de résultats Parquet dans un emplacement partagé. Ces fichiers Parquet peuvent ensuite être traités de manière plus approfondie.
Voici un exemple de lecture d’un jeu de données en mode interactif :
// 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
}
De même, un exemple de lecture d’un jeu de données en mode batch est visible ci-dessous :
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
SÉLECTIONNER des colonnes dans le jeu de données
df = df.select("column-a", "column-b").show()
Clause DISTINCT
La clause DISTINCT vous permet de récupérer toutes les valeurs distinctes au niveau de la ligne/colonne, en supprimant toutes les valeurs en double de la réponse.
Vous trouverez ci-dessous un exemple d’utilisation de la fonction distinct() :
df = df.select("column-a", "column-b").distinct().show()
Clause WHERE
Le SDK Spark permet deux méthodes de filtrage : à l’aide d’une expression SQL ou par filtrage au travers de conditions.
Vous trouverez ci-dessous un exemple d’utilisation de ces fonctions de filtrage :
Expression SQL
df.where("age > 15")
Critères de filtrage
df.where("age" > 15 || "name" = "Steve")
Clause ORDER BY
La clause ORDER BY permet de trier les résultats reçus selon une colonne spécifiée dans un ordre spécifique (croissant ou décroissant). Dans le SDK Spark, cette opération s’effectue à l’aide de la fonction sort() .
Vous trouverez ci-dessous un exemple d’utilisation de la fonction sort() :
df = df.sort($"column1", $"column2".desc)
Clause LIMIT
La clause LIMIT vous permet de limiter le nombre d’enregistrements reçus du jeu de données.
Vous trouverez ci-dessous un exemple d’utilisation de la fonction limit() :
df = df.limit(100)
Écriture dans un jeu de données
À l’aide de votre mappage configProperties, vous pouvez écrire dans un jeu de données dans Experience Platform à l’aide de QSOption.
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()
Étapes suivantes
Adobe Experience Platform Data Science Workspace fournit un exemple de recette Scala (Spark) qui utilise les exemples de code ci-dessus pour lire et écrire des données. Si vous souhaitez en savoir plus sur l’utilisation de Spark pour accéder à vos données, consultez la section Référentiel GitHub de Workspace Scala de science des données.