Spark - 用父记录聚合和汇总子项

Question

我使用具有树结构的数据。每个父母可以有多个孩子。父母没有关于孩子的信息，但每个孩子都知道它的父母。此外，每个孩子都知道它的完整路径——这是一串串联的父标识符，因此每条记录都知道它在树中的级别。这条记录有一个结构：

id  | parent_id | path
--- + --------- + ------
11  | 1         | 1-11
12  | 1         | 1-12
121 | 12        | 1-12-121

现在我必须阅读表格，按 id 分组并对 bigint 类型的列 value 求和。最重要的事实是只有叶子 - 没有子元素的元素 - 具有指定的值，并且每个父元素必须是其所有子元素值的总和。最初，所有父母的值都等于 0。

分组前：

Root
| - Parent 1 (value = 0)
| - - Child 11 (value = 1)
| - - Child 12 (value = 1)
| - - Parent 13 (value = 0)
| - - - Child 131 (value = 2)
| - - - Child 132 (value = 1)
| - Parent 2 (value = 0)
| - - Child 21 (value = 2)
| - - Child 22 (value = 1)

分组结果：

Root
| - Parent 1 (value = 5 (1 + 1 + 3))
| - - Child 11 (value = 1)
| - - Child 12 (value = 1)
| - - Parent 13 (value = 3 (2 + 1))
| - - - Child 131 (value = 2)
| - - - Child 132 (value = 1)
| - Parent 2 (value = 3 (2 + 1))
| - - Child 21 (value = 2)
| - - Child 22 (value = 1)

非常重要的要求：我无法在内存中收集这些数据和分组，因为数据集非常庞大，因此我必须使用数据集或数据框来完成。

Answer 1

如果我理解正确，你只对每个节点的值的总和感兴趣。在这种情况下，您只需每次显示一个节点在其中一个路径中，并为相应节点添加所有此类值。火花版本是：

scala> val df = spark.sql(s"""
  select
    col1 as id,
    col2 as parent_id,
    col3 as path,
    col4 as value
  from values
    (11, 1, "1-11", 1),
    (12, 1, "1-12", 1),
    (13, 1, "1-13", 0),
    (131, 13, "1-13-131", 2),
    (132, 13, "1-13-132", 1)
""")


scala> (df
 .withColumn("path_arr", split(col("path"), "-"))
 .select($"value", explode($"path_arr").as("node"))
 .groupBy("node")
 .sum()
 .orderBy($"node")
).show

哪种产生：

+----+----------+
|node|sum(value)|
+----+----------+
|   1|         5|
|  11|         1|
|  12|         1|
|  13|         3|
| 131|         2|
| 132|         1|
+----+----------+