使用Spark数据集在Scala中执行类型化连接

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，并且允许我使用getter而不是硬编码的名称/数字。 大多数计算都可以使用Dataset的高级API完成。 例如，通过访问数据集类型对象而不是使用RDD行的数据字段来执行agg，select，sum，avg，map，filter或groupBy操作要简单得多。

但是，由于缺少连接操作，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case类接口来做，所以更像这样的东西

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

现在最好的替代方法似乎是在case类旁边创建一个对象，并给这个函数提供正确的列名作为String。 所以我会使用第一行代码但是放置一个函数而不是硬编码的列名。 但那感觉不够优雅..

有人可以告诉我其他选项吗？ 目标是从实际的列名中抽象出来，最好通过case类的getter工作。

我正在使用Spark 1.6.1和Scala 2.10

Answer 1

意见

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量连接和非等量连接。

等值连接

通过将Datasets映射到（键，值）元组，基于键执行连接以及重新整形结果，可以以类型安全的方式实现Equijoin：

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⋈θS=σθ（R×S）并直接转换为代码。

Spark 2.0

启用crossJoin并使用joinWith与简单相等的谓词：

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)
}

例子

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)

笔记

• 应该注意的是，这些方法与直接joinWith应用程序在质量上有所不同，并且需要昂贵的DeserializeToObject / SerializeFromObject转换（与直接joinWith相比，可以对数据使用逻辑运算）。

  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Datasets提供了有趣的类型安全扩展（截至今天它仅支持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，所以我认为在那里使用它并不合理。

• 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隐式地将此方法添加到Dataset ，并且与内置签名没有冲突，因此两者都可以称为joinWith 。

Answer 2

此外，非类型安全Spark API的另一个更大问题是，当您加入两个Datasets ，它将为您提供一个DataFrame 。 然后你丢失原始两个数据集中的类型。

val a: Dataset[A]
val b: Dataset[B]

val joined: Dataframe = a.join(b)
// what would be great is 
val joined: Dataset[C] = a.join(b)(implicit func: (A, B) => C)