java - Spark SQL : using collect_set over array values?

Question

我有一个聚合 DataFrame，其中有一列是使用 collect_set 创建的。我现在需要再次聚合此 DataFrame，并再次将 collect_set 应用于该列的值。问题是我需要应用 collect_Set ver 集合的值 - 到目前为止，我看到的唯一方法是分解聚合的 DataFrame。有没有更好的办法？

示例:

初始数据帧:

country   | continent   | attributes
-------------------------------------
Canada    | America     | A
Belgium   | Europe      | Z
USA       | America     | A
Canada    | America     | B
France    | Europe      | Y
France    | Europe      | X

聚合 DataFrame(我收到的输入数据)- country 聚合:

country   | continent   | attributes
-------------------------------------
Canada    | America     | A, B
Belgium   | Europe      | Z
USA       | America     | A
France    | Europe      | Y, X

我想要的输出 - 在 continent 上的聚合:

continent   | attributes
-------------------------------------
America     | A, B
Europe      | X, Y, Z

Answer 1

由于此时您只能拥有少量行，因此您只需按原样收集属性并将结果展平 (Spark >= 2.4)

import org.apache.spark.sql.functions.{collect_set, flatten, array_distinct}

val byState = Seq(
  ("Canada", "America", Seq("A", "B")),
  ("Belgium", "Europe", Seq("Z")),
  ("USA", "America", Seq("A")),
  ("France", "Europe", Seq("Y", "X"))
).toDF("country", "continent", "attributes")

byState
  .groupBy("continent")
  .agg(array_distinct(flatten(collect_set($"attributes"))) as "attributes")
  .show

+---------+----------+
|continent|attributes|
+---------+----------+
|   Europe| [Y, X, Z]|
|  America|    [A, B]|
+---------+----------+

在一般情况下，事情要难处理得多，在许多情况下，如果您期望大型列表，每组有很多重复项和许多值，最佳解决方案*是从头开始重新计算结果，即

input.groupBy($"continent").agg(collect_set($"attributes") as "attributes")

一种可能的替代方法是使用 Aggregator

import org.apache.spark.sql.expressions.Aggregator
import org.apache.spark.sql.catalyst.encoders.ExpressionEncoder
import org.apache.spark.sql.{Encoder, Encoders}
import scala.collection.mutable.{Set => MSet}


class MergeSets[T, U](f: T => Seq[U])(implicit enc: Encoder[Seq[U]]) extends 
     Aggregator[T, MSet[U], Seq[U]] with Serializable {

  def zero = MSet.empty[U]

  def reduce(acc: MSet[U], x: T) = {
    for { v <- f(x) } acc.add(v)
    acc
  }

  def merge(acc1: MSet[U], acc2: MSet[U]) = {
    acc1 ++= acc2
  }

  def finish(acc: MSet[U]) = acc.toSeq
  def bufferEncoder: Encoder[MSet[U]] = Encoders.kryo[MSet[U]]
  def outputEncoder: Encoder[Seq[U]] = enc

}

并按如下方式应用

case class CountryAggregate(
  country: String, continent: String, attributes: Seq[String])

byState
  .as[CountryAggregate]
  .groupByKey(_.continent)
  .agg(new MergeSets[CountryAggregate, String](_.attributes).toColumn)
  .toDF("continent", "attributes")
  .show

+---------+----------+
|continent|attributes|
+---------+----------+
|   Europe| [X, Y, Z]|
|  America|    [B, A]|
+---------+----------+

但这显然不是 Java 友好的选项。

另见 How to aggregate values into collection after groupBy? (类似，但没有唯一性约束)。

---

* 这是因为 explode 可能非常昂贵，尤其是在较旧的 Spark 版本中，与访问 SQL 集合的外部表示相同。