用于 oracle 子查询的 Pyspark sql

Question

如何将以下基于 oracle 的 sql 查询写入等效的 pyspark sql，因为这是由于嵌套在 spark.sql(*query) 下而不受支持 有没有办法使用 pyspark 数据框来编写这个？

SELECT TABLE1.COL1 
FROM TABLE1 
WHERE COL2 = (
    SELECT MAX(COL2) 
    FROM TABLE1 
    WHERE TABLE1.COL3 = TABLE2.COL3 OR TABLE1.COL4 = TABLE2.COL4
)

TABLE1 有列 COL1, COL2, COL3, COL4 TABLE2 有列COL3, COL4

Answer 1

如果您使用 JDBC 驱动程序，您能否使用此语法：

  sql_request = "(select TABLE1.COL1 FROM TABLE1 WHERE COL2 = (SELECT MAX(COL2) FROM TABLE1 WHERE TABLE1.COL3 = TABLE2.COL3 OR TABLE1.COL4 = TABLE2.COL4))"

  df_request = spark.read.jdbc(url=url,table=sql_request,properties=db_properties)

希望对你有帮助

Answer 2

你可以试试这个。

from pyspark.sql.functions import max

table1.select(table1.COL1)\
  .where(table1.COL2 == table2.select(max(table2.COL2).alias('MAX_COL2'))\
      .where((table1.COL3 == table2.COL3) | (table1.COL4 == table2.COL4)).collect().head().MAX_COL2).show()

希望这能有所帮助。