在資料科學Workspace中使用Spark存取資料
以下檔案包含如何使用Spark存取資料，以用於資料科學Workspace的範例。 如需使用JupyterLab Notebooks存取資料的資訊，請瀏覽JupyterLab Notebooks資料存取檔案。
快速入門
使用Spark需要效能最佳化，這些需要新增至SparkSession。 此外，您也可以設定configProperties以便稍後讀取和寫入資料集。
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
}
}
讀取資料集
使用Spark時，您可以存取兩種讀取模式：互動式與批次式。
互動模式會建立與Query Service的Java Database Connectivity (JDBC)連線，並透過自動轉譯為DataFrame的一般JDBC ResultSet取得結果。 此模式的運作方式與內建Spark方法spark.read.jdbc()類似。 此模式僅適用於小型資料集。 如果您的資料集超過500萬列，建議您切換至批次模式。
批次模式使用Query Service的COPY命令在共用位置產生Parquet結果集。 然後可以進一步處理這些Parquet檔案。
在互動模式下讀取資料集的範例如下所示：
// 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
}
同樣地，您可以在下方看到以批次模式讀取資料集的範例：
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
從資料集中選取欄
df = df.select("column-a", "column-b").show()
DISTINCT子句
DISTINCT子句可讓您在列/欄層級擷取所有不同的值，從回應中移除所有重複的值。
以下顯示使用distinct()函式的範例：
df = df.select("column-a", "column-b").distinct().show()
WHERE子句
Spark SDK允許兩種篩選方法：使用SQL運算式或透過條件篩選。
您可以在下方看到使用這些篩選函式的範例：
SQL運算式
df.where("age > 15")
篩選條件
df.where("age" > 15 || "name" = "Steve")
ORDER BY子句
ORDER BY子句允許接收的結果以特定順序（升序或降序）依指定的資料行排序。 在Spark SDK中，這是使用sort()函式來完成。
以下顯示使用sort()函式的範例：
df = df.sort($"column1", $"column2".desc)
LIMIT子句
LIMIT子句可讓您限制從資料集接收的記錄數。
以下顯示使用limit()函式的範例：
df = df.limit(100)
寫入資料集
使用您的configProperties對應，您可以使用QSOption寫入Experience Platform的資料集。
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()
後續步驟
Adobe Experience Platform資料科學Workspace提供Scala (Spark)配方範例，此範例使用上述程式碼範例來讀取和寫入資料。 如果您想進一步瞭解如何使用Spark存取您的資料，請檢閱資料科學Workspace Scala GitHub存放庫。