如何使用 Python 在 Spark 中执行两个 RDD 表的基本连接？

Question

您将如何使用 python 在 Spark 中执行基本连接？在 R 中，您可以使用 merg() 来执行此操作。在 spark 上使用 python 的语法是什么：

1. 内连接
2. 左外连接
3. 交叉连接

有两个表 (RDD)，每个表都有一个列，每个列都有一个公共键。

RDD(1):(key,U)
RDD(2):(key,V)

我认为内部连接是这样的：

rdd1.join(rdd2).map(case (key, u, v) => (key, ls ++ rs));

对吗？我搜索了互联网，找不到一个很好的连接示例。提前致谢。

Answer 1

可以使用PairRDDFunctions 或 Spark 数据帧来完成。由于数据帧操作受益于Catalyst Optimizer，第二个选项值得考虑。

假设您的数据如下所示：

rdd1 =  sc.parallelize([("foo", 1), ("bar", 2), ("baz", 3)])
rdd2 =  sc.parallelize([("foo", 4), ("bar", 5), ("bar", 6)])

使用 PairRDD：

内连接：

rdd1.join(rdd2)

左外连接：

rdd1.leftOuterJoin(rdd2)

笛卡尔积（不需要RDD[(T, U)]）：

rdd1.cartesian(rdd2)

广播加入（不需要RDD[(T, U)]）：

• 见Spark: what's the best strategy for joining a 2-tuple-key RDD with single-key RDD?

最后是 cogroup，它没有直接的 SQL 等效项，但在某些情况下很有用：

cogrouped = rdd1.cogroup(rdd2)

cogrouped.mapValues(lambda x: (list(x[0]), list(x[1]))).collect()
## [('foo', ([1], [4])), ('bar', ([2], [5, 6])), ('baz', ([3], []))]

使用 Spark 数据帧

您可以使用 SQL DSL 或使用 sqlContext.sql 执行原始 SQL。

df1 = spark.createDataFrame(rdd1, ('k', 'v1'))
df2 = spark.createDataFrame(rdd2, ('k', 'v2'))

# Register temporary tables to be able to use `sparkSession.sql`
df1.createOrReplaceTempView('df1')
df2.createOrReplaceTempView('df2')

内连接：

# inner is a default value so it could be omitted
df1.join(df2, df1.k == df2.k, how='inner') 
spark.sql('SELECT * FROM df1 JOIN df2 ON df1.k = df2.k')

左外连接：

df1.join(df2, df1.k == df2.k, how='left_outer')
spark.sql('SELECT * FROM df1 LEFT OUTER JOIN df2 ON df1.k = df2.k')

交叉连接（Spark.2.0 - spark.sql.crossJoin.enabled for Spark 2.x 需要显式交叉连接或配置更改）：

df1.crossJoin(df2)
spark.sql('SELECT * FROM df1 CROSS JOIN df2')

df1.join(df2)
sqlContext.sql('SELECT * FROM df JOIN df2')

从 1.6（Scala 中的 1.5）开始，这些中的每一个都可以与 broadcast 函数结合使用：

from pyspark.sql.functions import broadcast

df1.join(broadcast(df2), df1.k == df2.k)

执行广播加入。另见Why my BroadcastHashJoin is slower than ShuffledHashJoin in Spark