Sparkで左アンチを参加させる？

このように2つのテーブルを定義しました。

 val tableName = "table1"
    val tableName2 = "table2"

    val format = new SimpleDateFormat("yyyy-MM-dd")
      val data = List(
        List("mike", 26, true),
        List("susan", 26, false),
        List("john", 33, true)
      )
    val data2 = List(
        List("mike", "grade1", 45, "baseball", new java.sql.Date(format.parse("1957-12-10").getTime)),
        List("john", "grade2", 33, "soccer", new java.sql.Date(format.parse("1978-06-07").getTime)),
        List("john", "grade2", 32, "golf", new java.sql.Date(format.parse("1978-06-07").getTime)),
        List("mike", "grade2", 26, "basketball", new java.sql.Date(format.parse("1978-06-07").getTime)),
        List("lena", "grade2", 23, "baseball", new java.sql.Date(format.parse("1978-06-07").getTime))
      )

      val rdd = sparkContext.parallelize(data).map(Row.fromSeq(_))
      val rdd2 = sparkContext.parallelize(data2).map(Row.fromSeq(_))
      val schema = StructType(Array(
        StructField("name", StringType, true),
        StructField("age", IntegerType, true),
        StructField("isBoy", BooleanType, false)
      ))
    val schema2 = StructType(Array(
        StructField("name", StringType, true),
        StructField("grade", StringType, true),
        StructField("howold", IntegerType, true),
        StructField("hobby", StringType, true),
        StructField("birthday", DateType, false)
      ))

      val df = sqlContext.createDataFrame(rdd, schema)
      val df2 = sqlContext.createDataFrame(rdd2, schema2)
      df.createOrReplaceTempView(tableName)
      df2.createOrReplaceTempView(tableName2)

私は、table1 から、table2 に一致する行がない行を返すクエリを作成しようとしています。 私はこのクエリを使用してそれを行うことを試みました。

Select * from table1 LEFT JOIN table2 ON table1.name = table2.name AND table1.age = table2.howold AND table2.name IS NULL AND table2.howold IS NULL

しかし、これではテーブル1からのすべての行が得られるだけです。

List({"name":"john","age":33,"isBoy":true}.List({"name":"john":33,"age":true}), {"name":"susan","age":26,"isBoy":false} となります。 {"name":"mike","age":26,"isBoy":true}）。

このような結合をSparkで効率的に行うにはどうしたらよいでしょうか。

他の質問で推奨されているような行ごとの比較ではなく、2つのテーブル間で比較する列を指定できるようにする必要があるため、SQLクエリを探しているのです。subtractやexceptなどを使用するように。

sergeda
編集された質問 4日 4月 2017 в 6:40
プログラミング
scala apache-spark
3日 4月 2017 в 2:09
5 ビュー
ソリューション

データフレームAPIでもSQLでも、quot;left anti"結合型を使用することができます（データフレームAPIは、必要な結合条件を含め、SQLがサポートするすべてをサポートしています）。

DataFrame APIを使用します。

df.as("table1").join(
  df2.as("table2"),
  $"table1.name" === $"table2.name" && $"table1.age" === $"table2.howold",
  "leftanti"
)

SQLを使用します。

sqlContext.sql(
  """SELECT table1.* FROM table1
    | LEFT ANTI JOIN table2
    | ON table1.name = table2.name AND table1.age = table2.howold
  """.stripMargin)

**タプルと暗黙の toDF メソッドを使用して、スキーマを個別に指定せずにサンプルデータを作成し、必要に応じて自動的に挿入されたスキーマを修正する、より短く簡潔な方法があることも知っておくとよいでしょう。

import spark.implicits._
val df = List(
  ("mike", 26, true),
  ("susan", 26, false),
  ("john", 33, true)
).toDF("name", "age", "isBoy")

val df2 = List(
  ("mike", "grade1", 45, "baseball", new java.sql.Date(format.parse("1957-12-10").getTime)),
  ("john", "grade2", 33, "soccer", new java.sql.Date(format.parse("1978-06-07").getTime)),
  ("john", "grade2", 32, "golf", new java.sql.Date(format.parse("1978-06-07").getTime)),
  ("mike", "grade2", 26, "basketball", new java.sql.Date(format.parse("1978-06-07").getTime)),
  ("lena", "grade2", 23, "baseball", new java.sql.Date(format.parse("1978-06-07").getTime))
).toDF("name", "grade", "howold", "hobby", "birthday").withColumn("birthday", $"birthday".cast(DateType))
GodMan
編集した答え 4日 11月 2019 в 7:55
解説 (0)

内蔵の関数 except を使って行うことができます。 (提供されたコードを使用したかったのですが、インポートが含まれていなかったので、C/Pすることができませんでした :())

val a = sc.parallelize(Seq((1,"a",123),(2,"b",456))).toDF("col1","col2","col3")
val b= sc.parallelize(Seq((4,"a",432),(2,"t",431),(2,"b",456))).toDF("col1","col2","col3")

scala> a.show()
+----+----+----+
|col1|col2|col3|
+----+----+----+
|   1|   a| 123|
|   2|   b| 456|
+----+----+----+

scala> b.show()
+----+----+----+
|col1|col2|col3|
+----+----+----+
|   4|   a| 432|
|   2|   t| 431|
|   2|   b| 456|
+----+----+----+

scala> a.except(b).show()
+----+----+----+
|col1|col2|col3|
+----+----+----+
|   1|   a| 123|
+----+----+----+
James Tobin
編集した答え 3日 4月 2017 в 4:03
解説 (1)

SQLでは、以下のようにクエリを簡単に作成することができます（SPARKで動作するかは不明）。

Select * from table1 LEFT JOIN table2 ON table1.name = table2.name AND table1.age = table2.howold where table2.name IS NULL

これは、table1 の結合に失敗したすべての行を返します。

Maciej Kowalski
編集した答え 22日 8月 2019 в 12:26
解説 (0)