基于第二数据帧的数据帧过滤

Question

使用Spark SQL，我有两个数据帧，它们是从一个数据帧创建的，例如：

df = sqlContext.createDataFrame(...);
df1 = df.filter("value = 'abc'"); //[path, value]
df2 = df.filter("value = 'qwe'"); //[path, value]

我想过滤df1，如果它的“路径”的一部分是df2中的任何路径。所以如果df1有路径为“a/b/c/d/e”的行，我会找出df2中是否有路径为“a/b/c”的行。SQL应该是这样

SELECT * FROM df1 WHERE udf(path) IN (SELECT path FROM df2)

其中udf是用户定义的函数，用于缩短df1的原始路径。简单的解决方案是使用JOIN，然后过滤结果，但这很慢，因为df1和df2都有超过10mil的行。

我也尝试了下面的代码，但是首先我必须从df2创建广播变量

static Broadcast<DataFrame> bdf;
bdf = sc.broadcast(df2); //variable 'sc' is JavaSparkContext 

sqlContext.createDataFrame(df1.javaRDD().filter(
         new Function<Row, Boolean>(){
             @Override
             public Boolean call(Row row) throws Exception {
                 String foo = shortenPath(row.getString(0));
                 return bdf.value().filter("path = '"+foo+"'").count()>0;
             }
          }
    ), myClass.class)

我遇到的问题是，当评估返回/执行df2过滤时，Spark卡住了。

我想知道如何使用两个数据帧来实现这一点。我真的不想加入。有什么想法吗？

编辑

在我的原始代码中，df1有别名“first”和df2“第二”。这个连接不是笛卡尔式的，它也不使用广播。

df1 = df1.as("first");
df2 = df2.as("second");

    df1.join(df2, df1.col("first.path").
                                lt(df2.col("second.path"))
                                      , "left_outer").
                    filter("isPrefix(first.path, second.path)").
                    na().drop("any");

isPrefix是udf

UDF2 isPrefix = new UDF2<String, String, Boolean>() {
        @Override
        public Boolean call(String p, String s) throws Exception {
            //return true if (p.length()+4==s.length()) and s.contains(p)
        }};

shortenPath-它剪切路径中的最后两个字符

UDF1 shortenPath = new UDF1<String, String>() {
        @Override
        public String call(String s) throws Exception {
            String[] foo = s.split("/");
            String result = "";
            for (int i = 0; i < foo.length-2; i++) {
                result += foo[i];
                if(i<foo.length-3) result+="/";
            }
            return result;
        }
    };

记录示例。路径是唯一的。

a/a/a/b/c abc
a/a/a     qwe
a/b/c/d/e abc
a/b/c     qwe
a/b/b/k   foo
a/b/f/a   bar
...

所以df1代表

a/a/a/b/c abc
a/b/c/d/e abc
...

df2包括

a/a/a     qwe
a/b/c     qwe
...

Answer 1

作为使用子查询在中实现＜code＞的一种可能方式，可以使用＜code＞左半连接：

    JavaSparkContext javaSparkContext = new JavaSparkContext("local", "testApp");
    SQLContext sqlContext = new SQLContext(javaSparkContext);
    StructType schema = DataTypes.createStructType(new StructField[]{
            DataTypes.createStructField("path", DataTypes.StringType, false),
            DataTypes.createStructField("value", DataTypes.StringType, false)
    });
    // Prepare First DataFrame
    List<Row> dataForFirstDF = new ArrayList<>();
    dataForFirstDF.add(RowFactory.create("a/a/a/b/c", "abc"));
    dataForFirstDF.add(RowFactory.create("a/b/c/d/e", "abc"));
    dataForFirstDF.add(RowFactory.create("x/y/z", "xyz"));
    DataFrame df1 = sqlContext.createDataFrame(javaSparkContext.parallelize(dataForFirstDF), schema);
    // 
    df1.show();
    //
    // +---------+-----+
    // |     path|value|
    // +---------+-----+
    // |a/a/a/b/c|  abc|
    // |a/b/c/d/e|  abc|
    // |    x/y/z|  xyz|
    // +---------+-----+

    // Prepare Second DataFrame
    List<Row> dataForSecondDF = new ArrayList<>();
    dataForSecondDF.add(RowFactory.create("a/a/a", "qwe"));
    dataForSecondDF.add(RowFactory.create("a/b/c", "qwe"));
    DataFrame df2 = sqlContext.createDataFrame(javaSparkContext.parallelize(dataForSecondDF), schema);

    // Use left semi join to filter out df1 based on path in df2
    Column pathContains = functions.column("firstDF.path").contains(functions.column("secondDF.path"));
    DataFrame result = df1.as("firstDF").join(df2.as("secondDF"), pathContains, "leftsemi");

    //
    result.show();
    //
    // +---------+-----+
    // |     path|value|
    // +---------+-----+
    // |a/a/a/b/c|  abc|
    // |a/b/c/d/e|  abc|
    // +---------+-----+

此类查询的物理计划如下所示：

== Physical Plan ==
Limit 21
 ConvertToSafe
  LeftSemiJoinBNL Some(Contains(path#0, path#2))
   ConvertToUnsafe
    Scan PhysicalRDD[path#0,value#1]
   TungstenProject [path#2]
    Scan PhysicalRDD[path#2,value#3]

它将使用左半连接BNL进行实际连接操作，该操作应在内部广播值。从更多细节参考火花中的实际实现 - 左半加入BNL.scala

附言：我不太明白删除最后两个字符的必要性，但如果需要 - 可以做到，就像@zero323建议的那样（使用regexp_extract）。

Answer 2

你的代码至少存在几个问题：

• 您不能在另一个操作或转换中执行操作或转换。这意味着过滤广播的数据帧根本无法正常工作，您应该得到一个例外。
• 您使用的联接作为笛卡尔积执行，后跟过滤器。由于 Spark 使用哈希进行连接，因此只有在没有笛卡尔的情况下，才能有效地执行基于相等的连接。它与为什么在SQL查询中使用UDF会导致笛卡尔积略有关系？
• 如果两个数据帧都相对较大并且具有相似的大小，则广播不太可能有用。查看为什么我的广播哈希连接比 Spark 中的随机哈希链接慢
• 在性能方面并不重要，但前缀似乎是错误的。特别是它看起来可以匹配前缀和后缀
• “第一路径”）条件看起来不对。我假设您希望 df1 中的 a/a/a/b/c 与 df2 中的 a/a/a 匹配。如果是这样，它应该是gt而不是lt。

也许你能做的最好的事情是类似这样的事情：

import org.apache.spark.sql.functions.{col, regexp_extract}

val df = sc.parallelize(Seq(
    ("a/a/a/b/c", "abc"), ("a/a/a","qwe"),
    ("a/b/c/d/e", "abc"), ("a/b/c", "qwe"),
    ("a/b/b/k", "foo"), ("a/b/f/a", "bar")
)).toDF("path", "value")

val df1 = df
    .where(col("value") === "abc")    
    .withColumn("path_short", regexp_extract(col("path"), "^(.*)(/.){2}$", 1))
    .as("df1")

val df2 = df.where(col("value") === "qwe").as("df2")
val joined = df1.join(df2, col("df1.path_short") === col("df2.path"))

你可以试着像这样广播其中一个表(Spark

import org.apache.spark.sql.functions.broadcast

df1.join(broadcast(df2), col("df1.path_short") === col("df2.path"))

并增加自动广播限制，但正如我在上面提到的，它很可能不如普通的HashJoin有效。