Spark问题:如果我不缓存数据帧，它会被多次运行吗？

Question

如果我不缓存使用带有limit选项的spark SQL生成的dataframe，当我编辑得到的dataframe并显示它时，我会得到不稳定的结果吗？

描述。

我有一个类似下面的表格，它是通过使用带有limit选项的spark SQL生成的：

+---------+---+---+---+---+
|partition|   |  0|  1|  2|
+---------+---+---+---+---+
|        0|  0|  0| 10| 18|
|        1|  0|  0| 10| 17|
|        2|  0|  0| 13| 17|
+---------+---+---+---+---+

如果我添加一列来获得行和，并再次show()它，数据帧有不同的项目，如下所示：

+---------+---+---+---+---+-------+-----------+------------+------------------+------------------+
|partition|   |  0|  1|  2|row_sum|percent of |percent of 0|      percent of 1|      percent of 2|
+---------+---+---+---+---+-------+-----------+------------+------------------+------------------+
|        0|  0|  0| 10| 13|     23|        0.0|         0.0| 43.47826086956522| 56.52173913043478|
|        1|  0|  0| 13| 16|     29|        0.0|         0.0|44.827586206896555|55.172413793103445|
|        2|  0|  0| 15| 14|     29|        0.0|         0.0|51.724137931034484|48.275862068965516|
+---------+---+---+---+---+-------+-----------+------------+------------------+------------------+

我怀疑用于编辑从第一个spark SQL查询获得的原始数据帧的代码将导致重新运行第一个spark SQL查询并从新结果进行编辑。

这是真的吗？

Answer 1

spark中的Cache()是一种转换，当您在该数据帧上调用任何操作时，它都会延迟求值。

现在，如果您正在使用limit编写一个仅获取10条记录的查询，那么当您在其上调用像show这样的操作时，它将具体化代码并同时获取10条记录。现在，如果你没有缓存数据帧，如果你执行多个转换，并再次对新创建的数据帧执行一个操作，那么spark将从图的根开始执行转换，这就是为什么如果你不缓存该数据帧，你每次都会看到不同的输出。