问题描述
我是 Rapids 的新手，无法理解支持的操作。
我有以下格式的数据：
+------------+----------+
| kmer|source_seq|
+------------+----------+
|TGTCGGTTTAA$| 4|
|ACCACCACCAC$| 8|
|GCATAATTTCC$| 1|
|CCGTCAAAGCG$| 7|
|CCGTCCCGTGG$| 6|
|GCGCTGTTATG$| 2|
|GAGCATAGGTG$| 5|
|CGGCGGATTCT$| 0|
|GGCGCGAGGGT$| 3|
|CCACCACCAC$A| 8|
|CACCACCAC$AA| 8|
|CCCAAAAAAAAA| 0|
|AAGAAAAAAAAA| 5|
|AAGAAAAAAAAA| 0|
|TGTAAAAAAAAA| 0|
|CCACAAAAAAAA| 8|
|AGACAAAAAAAA| 7|
|CCCCAAAAAAAA| 0|
|CAAGAAAAAAAA| 5|
|TAAGAAAAAAAA| 0|
+------------+----------+
而我正在尝试使用以下代码找出哪些“kmer”具有哪些“source_seq”：
val w = Window.partitionBy("kmer")
x.withColumn("source_seqs",collect_list("source_seq").over(w))
// Result is something like this:
+------------+----------+-----------+
| kmer|source_seq|source_seqs|
+------------+----------+-----------+
|AAAACAAGACCA| 2| [2]|
|AAAACAAGCAGC| 4| [4]|
|AAAACCACGAGC| 3| [3]|
|AAAACCGCCAAA| 7| [7]|
|AAAACCGGTGTG| 1| [1]|
|AAAACCTATATC| 5| [5]|
|AAAACGACTTCT| 6| [6]|
|AAAACGCGCAAG| 3| [3]|
|AAAAGGCCTATT| 7| [7]|
|AAAAGGCGTTCG| 3| [3]|
|AAAAGGCTGTGA| 1| [1]|
|AAAAGGTCTACC| 2| [2]|
|AAAAGTCGAGCA| 7| [7,0]|
|AAAAGTCGAGCA| 0| [7,0]|
|AAAATCCGATCA| 0| [0]|
|AAAATCGAGCGG| 0| [0]|
|AAAATCGTTGAA| 7| [7]|
|AAAATGGACAAG| 1| [1]|
|AAAATTGCACCA| 3| [3]|
|AAACACCGCCGT| 3| [3]|
+------------+----------+-----------+
The Spark Rapids supported operators documentation 提到 collect_list 仅由窗口支持，据我所知，这是我在代码中所做的。
但是，查看查询计划，很容易看出 collect_list 不是由 GPU 执行的：
scala> x.withColumn("source_seqs",collect_list("source_seq").over(w)).explain
== Physical Plan ==
Window [collect_list(source_seq#302L,0) windowspecdeFinition(kmer#301,specifiedwindowframe(RowFrame,unboundedpreceding$(),unboundedfollowing$())) AS max_source#658],[kmer#301]
+- GpuColumnarToRow false
+- GpuSort [kmer#301 ASC NULLS FirsT],false,RequireSingleBatch,0
+- GpuCoalesceBatches RequireSingleBatch
+- GpuShuffleCoalesce 2147483647
+- GpuColumnarExchange gpuhashpartitioning(kmer#301,200),ENSURE_REQUIREMENTS,[id=#1496]
+- GpuFileGpuScan csv [kmer#301,source_seq#302L] Batched: true,DataFilters: [],Format: CSV,Location: InMemoryFileIndex[file:/home/cloud-user/phase1/example/1620833755/part-00000],PartitionFilters: [],PushedFilters: [],ReadSchema: struct<kmer:string,source_seq:bigint>
与具有不同功能的类似查询不同，我们可以看到使用 GPU 执行的窗口化：
scala> x.withColumn("min_source",min("source_seq").over(w)).explain
== Physical Plan ==
GpuColumnarToRow false
+- GpuWindow [gpumin(source_seq#302L) gpuwindowspecdeFinition(kmer#301,gpuspecifiedwindowframe(RowFrame,gpuspecialframeboundary(unboundedpreceding$()),gpuspecialframeboundary(unboundedfollowing$()))) AS max_source#648L],[kmer#301],false
+- GpuSort [kmer#301 ASC NULLS FirsT],[id=#1431]
+- GpuFileGpuScan csv [kmer#301,source_seq:bigint>
我是否以某种方式理解了支持的操作文档错误，或者我是否以错误的方式编写了代码？对此的任何帮助将不胜感激。
解决方法
肯尼。请问您使用的是哪个版本的 rapids-4-spark 插件，以及 Spark 的版本？
默认情况下禁用 COLLECT_LIST() 的初始 GPU 实现，因为它的行为与 Spark 的不匹配，w.r.t null 值。 （GPU 版本在聚合数组行中保留空值，而 Spark 删除了它们。） 编辑：该行为在 0.5 版本中得到纠正。
如果您的聚合列中没有空值（并且使用的是 rapids-4-spark 0.4），您可以尝试通过设置 spark.rapids.sql.expression.CollectList=true 来启用运算符。
通常，可以通过设置 spark.rapids.sql.explain=NOT_ON_GPU 来检查算子未在 GPU 上运行的原因。这应该将原因打印到控制台。
如果您在使用 rapids-4-spark 插件时仍然遇到困难或不正确的行为，请随时在 the project's GitHub 上提出错误。我们很乐意进一步调查。
是的，正如 Mithun 提到的，spark.rapids.sql.expression.CollectList 从 0.5 版本开始就开始为真。 但是在 0.4 版本中它是错误的： https://github.com/NVIDIA/spark-rapids/blob/branch-0.4/docs/configs.md
这是我在 0.5+ 版本上测试的计划：
val w = Window.partitionBy("name")
val resultdf=dfread.withColumn("values",collect_list("value").over(w))
resultdf.explain
== Physical Plan ==
GpuColumnarToRow false
+- GpuWindow [collect_list(value#134L,0) gpuwindowspecdefinition(name#133,gpuspecifiedwindowframe(RowFrame,gpuspecialframeboundary(unboundedpreceding$()),gpuspecialframeboundary(unboundedfollowing$()))) AS values#138],[name#133],false
+- GpuCoalesceBatches RequireSingleBatch
+- GpuSort [name#133 ASC NULLS FIRST],false,com.nvidia.spark.rapids.OutOfCoreSort$@28e73bd1
+- GpuShuffleCoalesce 2147483647
+- GpuColumnarExchange gpuhashpartitioning(name#133,200),ENSURE_REQUIREMENTS,[id=#563]
+- GpuFileGpuScan csv [name#133,value#134L] Batched: true,DataFilters: [],Format: CSV,Location: InMemoryFileIndex[file:/tmp/df],PartitionFilters: [],PushedFilters: [],ReadSchema: struct<name:string,value:bigint>
即将发布的 21.08 版本将支持用于聚合和窗口化的 collect_set（RAPIDS Spark 正在转向日历版本控制）。