在火花中查找表

Question

我有一个在Spark中的数据框架，没有明确定义的架构，我想用作查找表。例如，以下数据框架：

+------------------------------------------------------------------------+
|lookupcolumn                                                            |
+------------------------------------------------------------------------+
|[val1,val2,val3,val4,val5,val6]                                         |
+------------------------------------------------------------------------+

模式看起来像这样：

 |-- lookupcolumn: struct (nullable = true)
 |    |-- key1: string (nullable = true)
 |    |-- key2: string (nullable = true)
 |    |-- key3: string (nullable = true)
 |    |-- key4: string (nullable = true)
 |    |-- key5: string (nullable = true)
 |    |-- key6: string (nullable = true)

我说的是"架构未明确定义"，因为读取数据时键的数量未知，所以我留下来推断架构。

现在，如果我有另一个带有以下列的数据框架：

+-----------------+
|       datacolumn|
+-----------------+
|         key1    |
|         key3    |
|         key5    |
|         key2    |
|         key4    |
+-----------------+

我希望结果为：

+-----------------+
|     resultcolumn|
+-----------------+
|         val1    |
|         val3    |
|         val5    |
|         val2    |
|         val4    |
+-----------------+

我尝试过这样的UDF：

val get_val = udf((keyindex: String) => {
    val res = lookupDf.select($"lookupcolumn"(keyindex).alias("result"))
    res.head.toString
})

但它引发了无效的指针异常错误。

有人可以告诉我UDF有什么问题，如果有更好/更简单的方法在Spark中进行查找？

Answer 1

我假设查找表很小，在这种情况下，将其收集到驱动程序并将其转换为普通Map是更有意义的。然后在UDF函数中使用此Map。可以以多种方式完成，例如：

val values = lookupDf.select("lookupcolumn.*").head.toSeq.map(_.toString)
val keys = lookupDf.select("lookupcolumn.*").columns
val lookup_map = keys.zip(values).toMap

使用上述lookup_map变量，UDF将仅为：

val lookup = udf((key: String) => lookup_map.get(key))

可以通过：

获得最终数据框架

val df2 = df.withColumn("resultcolumn", lookup($"datacolumn"))