scala - 基于非空值加入 Spark 数据帧(scala)

Question

假设我有两个数据框，如下所示:

第一的 -

A    | B    | C    | D
1a   | 1b   | 1c   | 1d
2a   | null | 2c   | 2d
3a   | null | null | 3d
4a   | 4b   | null | null
5a   | null | null | null
6a   | 6b   | 6c   | null

第二 -

P    | B    | C    | D
1p   | 1b   | 1c   | 1d
2p   | 2b   | 2c   | 2d
3p   | 3b   | 3c   | 3d
4p   | 4b   | 4c   | 4d 
5p   | 5b   | 5c   | 5d
6p   | 6b   | 6c   | 6d 

join操作是基于{"B", "C", "D"}进行的。如果这些列中的任何一个出现空值，它应该检查剩余列中是否出现非空值。

所以，结果应该是——

P    | B    | C    | D    | A
1p   | 1b   | 1c   | 1d   | 1a
2p   | null | 2c   | 2d   | 2a
3p   | null | null | 3d   | 3a
4p   | 4b   | null | null | 4a // First(C) & First(D) was null so we take only B
6p   | 6b   | 6c   | null | 6a

任何人都可以为此查询提出任何解决方案吗？
目前我正在尝试过滤单列、两列、三列中具有空值的值。然后加入他们与 Second 不采取该列。例如——
我首先从 First 中过滤掉了只有 B 为空的值。然后将其与基于“C”和“D”的 Second 结合起来。
通过这种方式，我将获得许多数据帧，并最终将它们联合起来。

Answer 1

这是你可以做的

import org.apache.spark.sql.functions._
df1.join(broadcast(df2), df1("B") === df2("B") || df1("C") === df2("C") || df1("D") === df2("D"))
  .drop(df2("B"))
  .drop(df2("C"))
  .drop(df2("D"))
  .show(false)

为了更安全，您可以 broadcast dataframe尺寸较小。