Data Science Workspace에서 Spark를 사용하여 데이터 액세스
다음 문서에는 데이터 과학 작업 영역에서 사용하기 위해 Spark를 사용하여 데이터에 액세스하는 방법에 대한 예가 포함되어 있습니다. JupyterLab Notebooks를 사용한 데이터 액세스에 대한 자세한 내용은 JupyterLab 노트북 데이터 액세스 설명서를 참조하십시오.
시작하기
사용 Spark 에 추가해야 하는 성능 최적화 필요 SparkSession. 또한 다음을 설정할 수도 있습니다 configProperties 을 참조하십시오.
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
}
}
데이터 세트 읽기
Spark를 사용하는 동안 대화식 및 일괄 처리, 이렇게 두 가지 읽기 모드에 액세스할 수 있습니다.
대화형 모드에서는 JDBC(Java Database Connectivity) 연결이 만들어집니다. Query Service 일반 JDBC를 통해 결과를 얻습니다. ResultSet 로 자동 변환됩니다. DataFrame. 이 모드는 기본 기능과 유사하게 작동합니다 Spark 방법 spark.read.jdbc(). 이 모드는 작은 데이터 세트에만 적용됩니다. 데이터 세트가 5백만 행을 초과하는 경우 배치 모드로 전환하는 것이 좋습니다.
배치 모드에서는 다음을 사용합니다. Query Service공유 위치에 Parquet 결과 세트를 생성하는 의 COPY 명령입니다. 그런 다음 이러한 Parquet 파일을 추가로 처리할 수 있습니다.
대화형 모드로 데이터 세트를 읽는 예는 다음에서 볼 수 있습니다.
// 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
}
마찬가지로 배치 모드에서 데이터 세트를 읽는 예는 아래에서 볼 수 있습니다.
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
데이터 세트에서 열 선택
df = df.select("column-a", "column-b").show()
DISTINCT 절
DISTINCT 절을 사용하면 행/열 수준에서 모든 고유 값을 가져와 응답에서 모든 중복 값을 제거할 수 있습니다.
사용 예 distinct() 함수는 아래에 나와 있습니다.
df = df.select("column-a", "column-b").distinct().show()
WHERE 절
다음 Spark SDK를 사용하면 필터링에 SQL 식을 사용하거나 조건을 통해 필터링하는 두 가지 방법을 사용할 수 있습니다.
이러한 필터링 함수를 사용하는 예는 아래에서 확인할 수 있습니다.
SQL 표현식
df.where("age > 15")
필터링 조건
df.where("age" > 15 || "name" = "Steve")
항목별 순서
ORDER BY 절을 사용하면 수신된 결과를 지정된 열을 기준으로 특정 순서(오름차순 또는 내림차순)로 정렬할 수 있습니다. 다음에서 Spark SDK에서 이 작업은 sort() 함수.
사용 예 sort() 함수는 아래에 나와 있습니다.
df = df.sort($"column1", $"column2".desc)
LIMIT 절
LIMIT 절을 사용하면 데이터 집합에서 받는 레코드 수를 제한할 수 있습니다.
사용 예 limit() 함수는 아래에 나와 있습니다.
df = df.limit(100)
데이터 세트에 쓰기
사용 configProperties 매핑을 사용하면 Experience Platform에서 데이터 세트에 쓸 수 있습니다. 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()
다음 단계
Adobe Experience Platform Data Science Workspace 는 위의 코드 샘플을 사용하여 데이터를 읽고 쓰는 Scala (Spark) 레시피 샘플을 제공합니다. 데이터에 액세스하기 위해 Spark를 사용하는 방법에 대해 자세히 알아보려면 데이터 과학 작업 영역 Scala GitHub 저장소.