Question

如何使用python在Spark中执行基本连接？在R中你可以使用merg（）来做到这一点。使用python on spark的语法是什么：

内部加入
左外连接
交叉加入

使用两个表（RDD），每个表中都有一个具有公共密钥的列。

RDD(1):(key,U)
RDD(2):(key,V)

我认为内部联接是这样的：

rdd1.join(rdd2).map(case (key, u, v) => (key, ls ++ rs));

是吗？我在互联网上搜索过，无法找到一个很好的连接示例。提前谢谢。

Answer 1

可以使用PairRDDFunctions或Spark数据帧完成。由于数据帧操作受益于Catalyst Optimizer，因此第二种选择值得考虑。

假设您的数据如下所示：

rdd1 =  sc.parallelize([("foo", 1), ("bar", 2), ("baz", 3)])
rdd2 =  sc.parallelize([("foo", 4), ("bar", 5), ("bar", 6)])

使用PairRDD：

内部联接：

rdd1.join(rdd2)

左外连接：

rdd1.leftOuterJoin(rdd2)

笛卡尔积（不需要RDD[(T, U)]）：

rdd1.cartesian(rdd2)

广播加入（不需要RDD[(T, U)]）：

请参阅Spark: what's the best strategy for joining a 2-tuple-key RDD with single-key RDD?

最后有cogroup没有直接的SQL等价物，但在某些情况下可能很有用：

cogrouped = rdd1.cogroup(rdd2)

cogrouped.mapValues(lambda x: (list(x[0]), list(x[1]))).collect()
## [('foo', ([1], [4])), ('bar', ([2], [5, 6])), ('baz', ([3], []))]

使用Spark数据框

您可以使用SQL DSL或使用sqlContext.sql执行原始SQL。

df1 = spark.createDataFrame(rdd1, ('k', 'v1'))
df2 = spark.createDataFrame(rdd2, ('k', 'v2'))

# Register temporary tables to be able to use sqlContext.sql
df1.createTempView('df1')
df2.createTempView('df2')

内部联接：

# inner is a default value so it could be omitted
df1.join(df2, df1.k == df2.k, how='inner') 
spark.sql('SELECT * FROM df1 JOIN df2 ON df1.k = df2.k')

左外连接：

df1.join(df2, df1.k == df2.k, how='left_outer')
spark.sql('SELECT * FROM df1 LEFT OUTER JOIN df2 ON df1.k = df2.k')

交叉连接（Spark.2.0中需要显式交叉连接或配置更改 - spark.sql.crossJoin.enabled for Spark 2.x）：

df1.crossJoin(df2)
spark.sql('SELECT * FROM df1 CROSS JOIN df2')

~~df1.join(df2) sqlContext.sql('SELECT * FROM df JOIN df2')~~

由于1.6（Scala中为1.5），每个都可以与broadcast函数结合使用：

from pyspark.sql.functions import broadcast

df1.join(broadcast(df2), df1.k == df2.k)

执行广播加入。另请参阅Why my BroadcastHashJoin is slower than ShuffledHashJoin in Spark

如何使用Python在Spark中执行两个RDD表的基本连接？

1 个答案:

使用PairRDD：

使用Spark数据框