第一个RDD
,user_person
,是一个Hive表,记录每个人的信息:
+---------+---+----+
|person_id|age| bmi|
+---------+---+----+
| -100| 1|null|
| 3| 4|null|
...
下面是我的第二个RDD
,一个只有40行并且只包括基本信息的Hive表:
| id|startage|endage|energy|
| 1| 0| 0.2| 1|
| 1| 2| 10| 3|
| 1| 10| 20| 5|
我想根据每一行的年龄范围来计算每个人的能量需求。
例如,一个人的年龄是4岁,因此需要3种能量。我想将该信息添加到RDDuser_person
中。
我该怎么做?
首先,使用enableHiveSupport()
初始化spark会话,并将Hive配置文件(Hive-site.xml、core-site.xml和hdfs-site.xml(复制到spark/conf/目录,以使spark能够从Hive中读取。
val sparkSession = SparkSession.builder()
.appName("spark-scala-read-and-write-from-hive")
.config("hive.metastore.warehouse.dir", params.hiveHost + "user/hive/warehouse")
.enableHiveSupport()
.getOrCreate()
将配置单元表作为数据帧读取,如下所示:
val personDF= spark.sql("SELECT * from user_person")
val infoDF = spark.sql("SELECT * from person_info")
使用以下表达式连接这两个数据帧:
val outputDF = personDF.join(infoDF, $"age" >= $"startage" && $"age" < $"endage")
outputDF
数据帧包含输入数据帧的所有列。