scala - 在 Scala 中使用 Spark 数据集执行类型化联接

Question

我喜欢 Spark 数据集，因为它们在编译时给我分析错误和语法错误，并且还允许我使用 getters 而不是硬编码的名称/数字。大多数计算可以使用 Dataset 的高级 API 来完成。例如，通过访问数据集类型对象来执行agg、select、sum、avg、map、filter或groupBy操作比使用RDD行的数据字段要简单得多。

但是其中缺少连接操作，我读到我可以像这样进行连接

ds1.joinWith(ds2, ds1.toDF().col("key") === ds2.toDF().col("key"), "inner")

但这不是我想要的，因为我更喜欢通过案例类接口(interface)来完成它，所以更像这样

ds1.joinWith(ds2, ds1.key === ds2.key, "inner")

目前最好的替代方案似乎是在案例类旁边创建一个对象，并提供此函数来为我提供正确的列名称作为字符串。因此，我将使用第一行代码，但放置一个函数而不是硬编码的列名称。但这感觉不够优雅..

有人可以在这里建议我其他选择吗？目标是从实际的列名中进行抽象，并最好通过案例类的 getter 来工作。

我正在使用 Spark 1.6.1 和 Scala 2.10

Answer 1

观察

仅当连接条件基于相等运算符时，Spark SQL 才能优化连接。这意味着我们可以分别考虑等值连接和非等值连接。

等值连接

等值连接可以通过将数据集映射到(键，值)元组，基于键执行连接并 reshape 结果，以类型安全的方式实现:

import org.apache.spark.sql.Encoder
import org.apache.spark.sql.Dataset

def safeEquiJoin[T, U, K](ds1: Dataset[T], ds2: Dataset[U])
    (f: T => K, g: U => K)
    (implicit e1: Encoder[(K, T)], e2: Encoder[(K, U)], e3: Encoder[(T, U)]) = {
  val ds1_ = ds1.map(x => (f(x), x))
  val ds2_ = ds2.map(x => (g(x), x))
  ds1_.joinWith(ds2_, ds1_("_1") === ds2_("_1")).map(x => (x._1._2, x._2._2))
}

非等值连接

可以使用关系代数运算符表示为 R ⋈θ S = σθ(R × S) 并直接转换为代码。

Spark 2.0

启用crossJoin并将joinWith与普通相等谓词一起使用:

spark.conf.set("spark.sql.crossJoin.enabled", true)

def safeNonEquiJoin[T, U](ds1: Dataset[T], ds2: Dataset[U])
                         (p: (T, U) => Boolean) = {
  ds1.joinWith(ds2, lit(true)).filter(p.tupled)
}

Spark 2.1

使用crossJoin方法:

def safeNonEquiJoin[T, U](ds1: Dataset[T], ds2: Dataset[U])
    (p: (T, U) => Boolean)
    (implicit e1: Encoder[Tuple1[T]], e2: Encoder[Tuple1[U]], e3: Encoder[(T, U)]) = {
  ds1.map(Tuple1(_)).crossJoin(ds2.map(Tuple1(_))).as[(T, U)].filter(p.tupled)
}

示例

case class LabeledPoint(label: String, x: Double, y: Double)
case class Category(id: Long, name: String)

val points1 = Seq(LabeledPoint("foo", 1.0, 2.0)).toDS
val points2 = Seq(
  LabeledPoint("bar", 3.0, 5.6), LabeledPoint("foo", -1.0, 3.0)
).toDS
val categories = Seq(Category(1, "foo"), Category(2, "bar")).toDS

safeEquiJoin(points1, categories)(_.label, _.name)
safeNonEquiJoin(points1, points2)(_.x > _.x)

注释

• 应该注意的是，这些方法在质量上与直接的 joinWith 应用程序不同，并且需要昂贵的 DeserializeToObject/SerializeFromObject 转换(与直接 joinWith 可以对数据使用逻辑操作相比)。

  这类似于 Spark 2.0 Dataset vs DataFrame 中描述的行为.

• 如果您不限于 Spark SQL API frameless为数据集提供有趣的类型安全扩展(截至目前，它仅支持 Spark 2.0):

  import frameless.TypedDataset
  
  val typedPoints1 = TypedDataset.create(points1)
  val typedPoints2 = TypedDataset.create(points2)
  
  typedPoints1.join(typedPoints2, typedPoints1('x), typedPoints2('x))
  

• Dataset API 在 1.6 中不稳定，因此我认为在那里使用它没有意义。

• 当然，这种设计和描述性名称不是必需的。您可以轻松地使用类型类将此方法隐式添加到 Dataset 中，并且与内置签名没有冲突，因此两者都可以调用 joinWith。