我使用spark1.6。我试图播放一个RDD并且不确定如何访问数据框中的广播变量?
我有两个数据框员工&部。
员工数据框
-------------------
Emp Id | Emp Name | Emp_Age
------------------
1 | john | 25
2 | David | 35
部门数据框
--------------------
Dept Id | Dept Name | Emp Id
-----------------------------
1 | Admin | 1
2 | HR | 2
import scala.collection.Map
val df_emp = hiveContext.sql("select * from emp")
val df_dept = hiveContext.sql("select * from dept")
val rdd = df_emp.rdd.map(row => (row.getInt(0),row.getString(1)))
val lkp = rdd.collectAsMap()
val bc = sc.broadcast(lkp)
print(bc.value.get(1).get)
--Below statement doesn't work
val combinedDF = df_dept.withColumn("emp_name",bc.value.get($"emp_id").get)
答案 0 :(得分:4)
如何在上面的combinedDF语句中引用广播变量?
使用udf
。如果emp_id
为Int
val f = udf((emp_id: Int) => bc.value.get(emp_id))
df_dept.withColumn("emp_name", f($"emp_id"))
如果lkp没有返回任何值,如何处理?
如上所示,不要使用get
有没有办法从lkp
返回多个记录
使用groupByKey
:
val lkp = rdd.groupByKey.collectAsMap()
和explode
:
df_dept.withColumn("emp_name", f($"emp_id")).withColumn("emp_name", explode($"emp_name"))
或者只是跳过所有步骤broadcast
:
import org.apache.spark.sql.functions._
df_emp.join(broadcast(df_dep), Seq("Emp Id"), "left")