在 2 个数据帧 Scala Spark 之间的交叉连接上应用函数

Question

我在 Spark（Scala）中有 2 个数据框，如下所示：
顾客 ：

+--------+-----------+----------------+-----------+---------------+---------------+
|id      |postal_code|city_name       |valeurPrise|latitudeOK     |longitudeOK    |
+--------+-----------+----------------+-----------+---------------+---------------+
|22318764|94200      |Ivry-sur-Seine  |Number     |48.815679000000|2.393150000000 |
|983026  |39330      |Mouchard        |Street     |46.978240000000|5.807290000000 |
|810029  |33260      |La Teste-de-Buch|Street     |44.539033000000|-1.152371000000|
|1880521 |77360      |Vaires-sur-Marne|Street     |48.877451000000|2.649342000000 |
|19502247|80090      |Amiens          |Number     |49.871260000000|2.300264000000 |
|17550309|72100      |Le Mans         |Number     |47.973960000000|0.206240000000 |
|22311804|94250      |Gentilly        |Number     |48.816344000000|2.340399000000 |
|284138  |14000      |Caen            |Street     |49.186034000000|-0.353779000000|
|2011904 |83000      |Toulon          |Street     |43.125340000000|5.930290000000 |
|21922785|92110      |Clichy          |Number     |48.910761000000|2.307201000000 |
+--------+-----------+----------------+-----------+---------------+---------------+

店铺 ：

+------+-----------+----------------+---------------+------+
|erd_cd|ville      |gps_wgs84_lat   |gps_wgs84_lon  |active|
+------+-----------+----------------+---------------+------+
|31312 |MAMOUDZOU  |-12.780550000000|45.227770000000|VRAI  |
|31901 |ST JOSEPH  |-21.376620000000|55.616100000000|VRAI  |
|31307 |STE MARIE  |-20.899934381104|55.517562110882|VRAI  |
|31303 |ST BENOIT  |-21.043730000000|55.717850000000|VRAI  |
|31302 |ST PIERRE  |-21.340676722653|55.477203422331|VRAI  |
|35023 |STE SUZANNE|-20.929250000000|55.633290000000|VRAI  |
|31305 |ST DENIS   |-20.880840000000|55.450700000000|VRAI  |
|31304 |LE PORT    |-20.956710000000|55.308050000000|VRAI  |
|32530 |ST PAUL    |-21.008640000000|55.271290000000|VRAI  |
|19585 |BEAUNE     |47.023000000000 |4.837550000000 |VRAI  |
+------+-----------+----------------+---------------+------+

第一个包含 19 000 000 行，第二个包含 650 行。
我想计算每个客户与每个商店的距离，并将结果存储在客户数据框中的新列中。
例如，第一个客户的 [23, 47, 125, 8, ...]，...
理想情况下，我也想保留“erd_cd”。
所以元组可能是一个很好的解决方案。 例如 [31312:23, 27654:47,...] 会很棒。
我知道计算距离的公式，不要在意这个。
我的问题是“如何模拟交叉连接并应用函数”？
我考虑过交叉连接，但它会生成 19 000 000 000 行（可能有点太多了）。
你有什么想法吗？
非常感谢。

Answer 1

商店数据可以作为 Map/Set/Seq 广播并用于处理客户数据。 这将是一个可以极其并行运行的映射操作。

    val shop = //shop data in Map() or Seq() format, whatever suits your need
    val shopB = spark.sparkContext.broadcast(shop).value

    val customer = //build the dataframe or dataset

    customer.map{ c =>
      val distance  = aFunction(c, shopB)

      (c.id, c.postal_code,..... distance)
    }.toDF(<column names>)