如何基于Spark-scala中的过滤器将数据集分为两部分

Question

是否可以使用单个滤波器将DF分为两部分？

假设df有以下记录

UID    Col
 1       a
 2       b
 3       c

如果我做

df1 = df.filter(UID <=> 2)

如何在一次操作中将过滤后的记录和未过滤的记录保存在不同的RDD中？

 df1 can have records where uid = 2
 df2 can have records with uid 1 and 3 

Answer 1

如果您只对保存数据感兴趣，可以向DataFrame添加一个指示符列：

val df = Seq((1, "a"), (2, "b"), (3, "c")).toDF("uid", "col")
val dfWithInd = df.withColumn("ind", $"uid" <=> 2)

并将其用作DataFrameWriter的分区列，并使用一种受支持的格式（从1.6开始，它是Parquet，text和JSON）：

dfWithInd.write.partitionBy("ind").parquet(...)

它将在写入时创建两个单独的目录（ ind=false ， ind=true ）。

但是，一般而言，不可能从单个转换中产生多个RDDs或DataFrames 。 请参阅如何将RDD分为两个或多个RDD？