Spark Java Map函数被执行两次

Question

我上面的代码作为Spark驱动程序，当我执行程序时，它可以正常工作，将所需数据保存为Parquet文件。

String indexFile = "index.txt";
JavaRDD<String> indexData = sc.textFile(indexFile).cache();
JavaRDD<String> jsonStringRDD = indexData.map(new Function<String, String>() {
  @Override
  public String call(String patientId) throws Exception {
   return "json array as string"
  }   
});

//1. Read json string array into a Dataframe (execution 1)
DataFrame dataSchemaDF = sqlContext.read().json(jsonStringRDD );
//2. Save dataframe as parquet file (execution 2)
dataSchemaDF.write().parquet("md.parquet");

但是我观察到我在RDD上的映射器函数indexData被执行两次。首先，当我读jsonStringRdd为DataFrame使用SQLContext
第二时，当我将其写入 dataSchemaDF实木复合地板文件时

您能指导我如何避免这种重复执行吗？还有其他更好的方法将JSON字符串转换为Dataframe吗？

Answer 1

我认为原因是JSON阅读器缺少架构。执行时：

sqlContext.read().json(jsonStringRDD);

Spark必须为新创建的推断架构DataFrame。为此，它具有扫描输入RDD，并且急切地执行此步骤

如果要避免这种情况，则必须创建一个StructType描述JSON文档形状的：

StructType schema;
...

并在创建时使用它DataFrame：

DataFrame dataSchemaDF = sqlContext.read().schema(schema).json(jsonStringRDD);