Spark 2.0在自连接之后使用UDF进行筛选

Question

我需要使用我自己的用户定义函数过滤Spark数据框。我的数据框使用jdbc连接从数据库读取，然后在spark中进行自连接操作，然后进行过滤。当尝试在过滤器之后collect数据帧时发生错误。

我已经在spark 1.6中成功地使用了这个。然而，昨天升级到2.0后，它失败了，错误:

py4j.protocol.Py4JJavaError: An error occurred while calling o400.collectToPython.
: java.lang.UnsupportedOperationException: Cannot evaluate expression: 
<lambda>(input[0, string, true])

下面是一个产生错误的最小示例(在我的环境中):

from pyspark.sql.functions import udf, col
from pyspark.sql.types import BooleanType
spark = SparkSession.builder.master('local').appName('test').getOrCreate()
# this works successfully
df = spark.createDataFrame([('Alice', 1), ('Bob', 2), ('Dan', None)], 
                           ['name', 'age'])
df.filter(udf(lambda x: 'i' in x, BooleanType())(df.name)).collect()
>>> [Row(name=u'Alice', age=1)]
# this produces the error
df_emp = spark.createDataFrame([(1, 'Alice', None), (2, 'Bob', 1), 
                                (3, 'Dan', 2), (4, 'Joe', 2)], 
                               ['id', 'name', 'manager_id'])
df1 = df_emp.alias('df1')
df2 = df_emp.alias('df2')
cols = df1.columns
# the self-join
result = df1.join(df2, col('df1.id') == col('df2.manager_id'), 'left_outer')
result.collect()
>>> [Row(id=1, name=u'Alice', manager_id=None), 
     Row(id=3, name=u'Dan', manager_id=2), Row(id=2, name=u'Bob', manager_id=1), 
     Row(id=2, name=u'Bob', manager_id=1), Row(id=4, name=u'Joe', manager_id=2)]
# simple udf filter
filtered = result.filter(udf(lambda x: 'i' in x, BooleanType())(result.name))
filtered.collect()
# the above error is produced...

在这种情况下我做错了什么吗?这是2.0中的一个错误，还是我应该考虑在两个版本之间改变一些行为?

Answer 1

这是pyspark中的一个bug。

我已经在这里提交了一个bug https://issues.apache.org/jira/browse/SPARK-17100

这个问题出现在left_outer, right_outer和outer联接中，但不会出现在inner联接中。

一种解决方法是在过滤器之前缓存连接结果。

,

result = df1.join(df2, col('df1.id') == col('df2.manager_id'), 'left_outer').select(df2.name).cache()