[英]How to do a time based as-of-join of two datasets in apache spark?
給定S和R的兩個數據集都具有時間列(t),如下所述:
//snapshot with id at t
case class S(id: String, t: Int)
//reference data at t
case class R(t: Int, fk: String)
//Example test case
val ss: Dataset[S] = Seq(S("a", 1), S("a", 3), S("b", 5), S("b", 7))
.toDS
val rs: Dataset[R] = Seq(R(0, "a"), R(2, "a"), R(6, "b"))
.toDS
val srs: Dataset[(S, Option[R])] = ss
.asOfJoin(rs)
srs.collect() must contain theSameElementsAs
Seq((S("a", 1), Some(R(0, "a"))), (S("a", 3), Some(R(2, "a"))), (S("b", 5), None), (S("b", 7), Some(R(6, "b"))))
目標是在R中找到與E的ID匹配的最新行,即R在輸出中可以是可選的。
asOfJoin
定義如下:
implicit class SOps(ss: Dataset[S]) {
def asOfJoin(rs: Dataset[R])(implicit spark: SparkSession): Dataset[(S, Option[R])] = ???
}
使用數據集API的一種解決方案如下:
def asOfJoin(rs: Dataset[R])(implicit spark: SparkSession): Dataset[(S, Option[R])] = {
import spark.implicits._
ss
.joinWith(
rs,
ss("id") === rs("fk") && ss("t") >= rs("t"),
"left_outer")
.map { case (l, r) => (l, Option(r)) }
.groupByKey { case (s, _) => s }
.reduceGroups { (x, y) =>
(x, y) match {
case ((_, Some(R(tx, _))), (_, Some(R(ty, _)))) => if (tx > ty) x else y
case _ => x
}
}
.map { case (_, r) => r }
}
我不確定數據集S和數據集R的大小。但是從您的代碼中,我可以看到join(使用不相等的表達式)的效率很差,並且我可以根據不同的特定情況給出一些建議:
數據集R或數據集S都沒有太多數據。
我建議您可以廣播較小的數據集,並借助廣播變量在spark udf中完成業務邏輯。 這樣,您不需要shuffle(join)流程,這可以幫助您節省大量時間和資源。
對於每個唯一ID,count(distinct t)都不大。
我建議您可以通過對id和collect_set(t)進行分組來進行預聚合,如下所示:
select id,collect_set(t) as t_set from S
這樣,您可以刪除聯接中的不等式(ss(“ t”)> = rs(“ t”))。 並使用數據集S和數據集R中的兩個t_set編寫業務邏輯。
對於其他情況:
我建議您使用相等的聯接和窗口函數來優化代碼。 由於我對SQL更加熟悉,因此我在此處編寫了SQL,可以將其轉換為數據集API:
select
sid,
st,
rt
from
(
select
S.id as sid,
S.t as st,
R.t as rt,
row_number() over (partition by S.id order by (S.t - NVL(R.t, 0)) rn
from
S
left join R on S.id = R.fk) tbl
where tbl.rn = 1
我接受了@bupt_ljy的有關避免theta聯接的評論,並且跟隨似乎可以很好地擴展:
def asOfJoin(rs: Dataset[R])(implicit spark: SparkSession): Dataset[(S, Option[R])] = {
import spark.implicits._
ss
.joinWith(
rs.sort(rs("fk"), rs("t")),
ss("id") === rs("fk"),
"left_outer")
.map { case (l, r) => (l, Option(r)) }
.groupByKey { case (s, _) => s }
.flatMapGroups { (k, vs) =>
new Iterator[(S, Option[R])] {
private var didNotStart: Boolean = true
override def hasNext: Boolean = didNotStart
override def next(): (S, Option[R]) = {
didNotStart = false
vs
.find { case (l, rOpt) =>
rOpt match {
case Some(r) => l.t >= r.t
case _ => false
}
}.getOrElse((k, None))
}
}
}
}
但是,仍然是超級命令性代碼,必須有更好的方法...
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.