在 Scala/Spark 中合并两个表

Question

我有两个制表符分隔的数据文件，如下所示：

文件 1：

number  type    data_present
 1       a        yes
 2       b        no

文件 2：

type    group   number  recorded
 d       aa      10       true
 c       cc      20       false

我想合并这两个文件，使输出文件如下所示：

number  type    data_present    group   recorded
  1      a         yes           NULL    NULL
  2      b         no            NULL    NULL
  10     d         NULL           aa     true
  20     cc        NULL           cc     false

如您所见，对于其他文件中不存在的列，我将用 NULL 填充这些位置。

关于如何在 Scala/Spark 中执行此操作的任何想法？

Answer 1

为您的数据集创建两个文件：

$ cat file1.csv 
number  type    data_present
 1       a        yes
 2       b        no

$ cat file2.csv
type    group   number  recorded
 d       aa      10       true
 c       cc      20       false

将它们转换为 CSV：

$ sed -e 's/^[ \t]*//' file1.csv | tr -s ' ' | tr ' ' ',' > f1.csv
$ sed -e 's/^[ ]*//' file2.csv | tr -s ' ' | tr ' ' ',' > f2.csv

使用spark-csv模块将CSV文件加载为数据框：

$ spark-shell --packages com.databricks:spark-csv_2.10:1.1.0

import org.apache.spark.sql.SQLContext
val sqlContext = new SQLContext(sc)
val df1 = sqlContext.load("com.databricks.spark.csv", Map("path" -> "f1.csv", "header" -> "true"))
val df2 = sqlContext.load("com.databricks.spark.csv", Map("path" -> "f2.csv", "header" -> "true"))

现在执行连接：

scala> df1.join(df2, df1("number") <=> df2("number") && df1("type") <=> df2("type"), "outer").show()

+------+----+------------+----+-----+------+--------+
|number|type|data_present|type|group|number|recorded|
+------+----+------------+----+-----+------+--------+
|     1|   a|         yes|null| null|  null|    null|
|     2|   b|          no|null| null|  null|    null|
|  null|null|        null|   d|   aa|    10|    true|
|  null|null|        null|   c|   cc|    20|   false|
+------+----+------------+----+-----+------+--------+

更多详情请转至here、here 和here。

Answer 2

这将为您提供所需的输出：

val output = file1.join(file2, Seq("number","type"), "outer")

Answer 3

简单地将所有列转换为字符串，而不是在两个 DF 上进行联合。