我需要使用数据帧转换下面的sql连接。这个问题是我得到重复" key"列
val result_sql = sparkSession.sql(" select * from TAB_A a left outer join TAB_B b on a.key = b.key AND a.e_date between b.start_date and b.end_date ")
result_sql.printSchema()
root
|-- key: string (nullable = true)
|-- key: string (nullable = true)
|-- VAL: double (nullable = true)
所以我尝试了这个,但是使用了相同的重复列" key"
val result_df = TAB_A.join(TAB_B,TAB_A.col("key") === TAB_B.col("key")
&& TAB_A.col("e_date").between(TAB_B.col("start_date"),TAB_B.col("start_date")),
"left_outer")
root
|-- key: string (nullable = true)
|-- key: string (nullable = true)
|-- VAL: double (nullable = true)
然后我尝试使用Seq,但无法实现复杂的连接和面临的错误
val result_df = TAB_A.join(TAB_B,Seq("key") && TAB_A.col("e_date").between(TAB_B.col("start_date"),TAB_B.col("start_date")),
"left_outer")
预期架构:
root
|-- key: string (nullable = true)
|-- VAL: double (nullable = true)
在没有重复列的情况下实现上述逻辑的任何最佳解决方案。
注意:我正在寻找使用spark数据帧而不是spark_sql查询的解决方案。
答案 0 :(得分:3)
SQL的问题在于,结果有两个连接表中具有相同名称的列(键)。
解决方案#1为键分配不同的名称
例如将左表的列名设置为k1
将右表的列名设置为k2
解决方案#2指定要保留在结果表中的列
SELECT a.*, b.val1, b.val2
FROM TAB_A a left outer join TAB_B b on a.key = b.key AND a.e_date between b.start_date and b.end_date
// Since you you only want to keep one key, please change the code you have
val result_df = TAB_A.join(TAB_B,TAB_A.col("key") === TAB_B.col("key")
&& TAB_A.col("e_date").between(TAB_B.col("start_date"),TAB_B.col("start_date")),
"left_outer")
// drop the key from TAB_B or TAB_A
val result_df = TAB_A.join(TAB_B,TAB_A.col("key") === TAB_B.col("key")
&& TAB_A.col("e_date").between(TAB_B.col("start_date"),TAB_B.col("start_date")),
"left_outer").drop(TAB_B("key"))