从连接两个数据帧的 Spark SQL 中删除重复项

Question

我有两个 spark DF 需要加入。仅从 df2 中选择 df1 中存在的值，不应重复行。

例如：

df1：

+-------------+---------------+----------+
|a            |b              |val       |
+-------------+---------------+----------+
| 202003101750|   202003101700|1712384842|
| 202003101740|   202003101700|1590554927|
| 202003101730|   202003101700|1930860788|
| 202003101730|   202003101600|    101713|
| 202003101720|   202003101700|1261542412|
| 202003101720|   202003101600|   1824155|
| 202003101710|   202003101700| 912601761|
+-------------+---------------+----------+

df2：

+-------------+---------------+
|a            |b              |
+-------------+---------------+
| 202003101800|   202003101700|
| 202003101800|   202003101700|
| 202003101750|   202003101700|
| 202003101750|   202003101700|
| 202003101750|   202003101700|
| 202003101750|   202003101700|
| 202003101740|   202003101700|
| 202003101740|   202003101700|
+-------------+---------------+

我正在做以下事情：

df1.join(df2, Seq("a", "b"), "leftouter").where(col("val").isNotNull) 但是我的输出有几个重复的行。

+-------------+---------------+----------+
|a            |b              |val       |
+-------------+---------------+----------+
| 202003101750|   202003101700|1712384842|
| 202003101750|   202003101700|1712384842|
| 202003101750|   202003101700|1712384842|
| 202003101750|   202003101700|1712384842|
| 202003101740|   202003101700|1590554927|
| 202003101740|   202003101700|1590554927|
| 202003101740|   202003101700|1590554927|
| 202003101740|   202003101700|1590554927||
+-------------+---------------+----------+

如果从 df1 中删除 val，我正在尝试实现类似操作。但是except 似乎不起作用。 例如以下是所需的操作 df1.drop(col("val")).except("df2") df1 的架构如下：

root
 |-- a: String (nullable = true)
 |-- b: String (nullable = true)
 |-- val: long (nullable = true)

另外，left-outer join和except之间到底有什么区别？ 预期输出：

+-------------+---------------+----------+
|a            |b              |val       |
+-------------+---------------+----------+
| 202003101750|   202003101700|1712384842|
| 202003101740|   202003101700|1590554927||
+-------------+---------------+----------+

Answer 1

您可以使用函数dropDuplicates()，删除所有重复的行：

uniqueDF = df.dropDuplicates()

或者您可以指定要匹配的列：

uniqueDF = df.dropDuplicates("a","b")

Answer 2

LeftOuter join 将获取左表中的所有行和右表中的匹配行。

Except 将给出与第一个数据帧相比在第二个数据帧中不存在的行（没有重复）。

对于您的情况，您可以使用 inner（或）outer 加入 dropDuplicates。

df1.join(df2, Seq("a", "b"), "inner").dropDuplicates().show()
//+------------+------------+----------+
//|           a|           b|       val|
//+------------+------------+----------+
//|202003101740|202003101700|1590554927|
//|202003101750|202003101700|1712384842|
//+------------+------------+----------+

df1.join(df2, Seq("a", "b"), "rightouter").where(col("val").isNotNull).dropDuplicates().show()
//+------------+------------+----------+
//|           a|           b|       val|
//+------------+------------+----------+
//|202003101740|202003101700|1590554927|
//|202003101750|202003101700|1712384842|
//+------------+------------+----------+