Question

我在Impala中使用fnv_hash将一些字符串值转换为数字。现在我正在迁移到Spark SQL，我可以使用Spark SQL中的类似功能吗？几乎1-1函数映射字符串值到数字应该工作。谢谢！

Answer 1

不幸的是，Spark不提供直接替换。虽然内置o.a.s.sql.functions.hash / pyspark.sql.functions.hash使用MurmurHash 3 which should have comparable properties with the same hash size，但Spark使用32位哈希值（与Impala中的64位fnv_hash相比）。如果这是可以接受的，只需导入hash，你就可以了：

from pyspark.sql.functions import hash as hash_

df = sc.parallelize([("foo", ), ("bar", )]).toDF(["foo"])

df.select(hash_("foo"))

DataFrame[hash(foo): int]

如果您需要更大，可以查看XXH64。它不是使用SQL函数直接公开的，但是Catalyst expression是公共的，所以你需要的只是一个简单的包装器。大概是这样的：

package com.example.spark.sql

import org.apache.spark.sql.Column
import org.apache.spark.sql.catalyst.expressions.XxHash64

object functions {
  def xxhash64(cols: Column*): Column = new Column(
    new XxHash64(cols.map(_.expr))
  )
}

from pyspark import SparkContext
from pyspark.sql.column import Column, _to_java_column, _to_seq

def xxhash64(*cols):
    sc = SparkContext._active_spark_context
    jc = sc._jvm.com.example.spark.sql.functions.xxhash64(
        _to_seq(sc, cols, _to_java_column)
    )
    return Column(jc)

df.select(xxhash64("foo"))

DataFrame[xxHash(foo): bigint]

Impala vs SparkSQL：内置函数转换：fnv_hash

1 个答案: