如何从Spark DataFrame中选择稳定的行子集？

Question

我已经将一个文件加载到Zeppelin笔记本中的DataFrame中，如下所示：

val df = spark.read.format("com.databricks.spark.csv").load("some_file").toDF("c1", "c2", "c3")

这个DataFrame有超过1000万行，我想开始只使用一部分行，所以我使用limit：

val df_small = df.limit(1000)

但是，现在当我尝试在其中一列的字符串值上过滤DataFrame时，每次运行以下操作时都会得到不同的结果 ：

df_small.filter($"c1" LIKE "something").show()

如何为运行的每个过滤器获取一个保持稳定的df子集？

Answer 1

Spark作为一个延迟加载工作，所以只有在语句.show上面才会执行2个语句。 你可以把df_small写入一个文件，每次都可以单独阅读或者执行df_small.cache()