如何将巨大的pandas数据帧保存到HDFS？

意思是有一个熊猫数据框，我在pyarrow的帮助下将其转换为火花。

pyarrow.Table.fromPandas

是您要寻找的功能：

Table.from_pandas(type cls, df, bool timestamps_to_ms=False, Schema

schema=None, bool preserve_index=True)

Convert pandas.Dataframe to an Arrow Table

import pyarrow as papdf = ...  # type: pandas.core.frame.Dataframeadf = pa.Table.from_pandas(pdf)  # type: pyarrow.lib.Table

结果可以直接写入Parquet / HDFS，而无需通过Spark传递数据：

import pyarrow.parquet as pqfs  = pa.hdfs.connect()with fs.open(path, "wb") as fw    pq.write_table(adf, fw)

笔记 ：

此外，由于

createDataframe

（SPARK-20791-使用Apache Arrow从Pandas.Dataframe改进Spark
createDataframe）直接支持Spark
2.3（当前主版本）Arrow
。它用于

SparkContext.defaultParallelism

计算块数，因此您可以轻松控制单个批次的大小。

最后，

defaultParallelism

可用于控制使用标准生成的分区的数量，从而

_convert_from_pandas

有效地将片的大小减小到更易于管理的程度。

不幸的是，这些不太可能解决您当前的内存问题。两者都依赖

parallelize

，因此将所有数据存储在驱动程序节点的内存中。切换到箭头或调整配置只能加快过程或地址块大小的限制。

实际上，只要您使用本地熊猫

Dataframe

作为输入，我看不出有任何理由在这里切换到Spark 。在这种情况下，最严重的瓶颈是驱动程序的网络I /
O，而分发数据将无法解决该问题。