在Spark中加入多個數據框時如何應用Like操作？

Question

我試圖加入兩個數據框，然后對其應用類似的操作。 但是它沒有返回任何值。 我想在這里進行模式匹配。 任何建議我在這里做錯了。

import org.apache.spark._
import org.apache.spark.sql.Row

val upcTable = spark.sqlContext.sparkContext.parallelize(Seq(
  Row(1, 50, 100),
  Row(2, 60, 200),
  Row(36, 70, 300),
  Row(45, 80, 400)
))

val lookupUpc = spark.sqlContext.sparkContext.parallelize(Seq(
 Row(3, 70, 300),
 Row(4, 80, 400)
))

val upcDf = spark.sqlContext.createDataFrame(upcTable, StructType(Seq(
  StructField("U_ID", StringType, nullable = false),
  StructField("V_ID", IntegerType, nullable = false),
  StructField("R_ID", IntegerType, nullable = false))))

val lookupDf = spark.sqlContext.createDataFrame(lookupUpc, StructType(Seq(
  StructField("U_ID", StringType, nullable = false),
  StructField("V_ID", IntegerType, nullable = false))))
lookupDf.show()

val joinDf = upcDf.join(lookupDf,Seq("V_ID"),"inner").filter(upcDf("U_ID").like("%lookupDf(U_ID)")).select(upcDf("U_ID"),upcDf("V_ID"),upcDf("R_ID")).show()

在這里，我想要upcDf中的36和45。

Answer 1

而不是像期望一個文字String 那樣的列方法，而包含一個采用Any類型的參數（因此也是Column ）的方法更適合您的情況：

val joinDf = upcDf.join(lookupDf, Seq("V_ID"), "inner").
  where(upcDf("U_ID").contains(lookupDf("U_ID"))).
  select(upcDf("U_ID"), upcDf("V_ID"), upcDf("R_ID"))

joinDf.show
// +----+----+----+
// |U_ID|V_ID|R_ID|
// +----+----+----+
// |  45|  80| 400|
// |  36|  70| 300|
// +----+----+----+

請注意，根據列出的架構，示例數據集中的U_ID列應為String類型。

[更新]

根據注釋中明確的要求，如果您想將匹配限制為僅前導字符，我建議使用regexp_extract方法，並將上述where子句替換為以下內容：

where(lookupDf("U_ID") === regexp_extract(upcDf("U_ID"), "^(.)", 1))