我是Spark的新手（我的版本是1.6.0），现在我正在尝试解决下面给出的问题：
假设有两个源文件：
- 第一个（简称 A）是一个大列，其中包含名为 A1、B1、C1 和其他 80 列的列。里面有230K条记录。
- 第二个（简称 B）是一个小型查找表，其中包含名为 A2、B2、C2 和 D2 的列。里面有250条记录。
现在我们需要在 A 中插入一个新列，给定以下逻辑：
- 首先在 B 中查找 A1、B1 和
- C1（对应的列是 A2、B2 和 C2），如果成功，则返回 D2 作为新添加的列的值。如果什么也没找到...
- 然后在 B 中查找 A1、B1。如果成功，则返回 D2。如果什么也没找到...
- 设置默认值"NA"
我已经读取了文件并将它们转换为数据框。对于第一种情况，我通过左外将它们连接在一起来获得结果。但是我在下一步找不到好方法。
我目前的尝试是通过使用不太严格的条件连接 A 和 B 来构建一个新的数据框。但是我不知道如何从另一个更新当前数据帧。或者有没有其他更直观和有效的方法来解决整个问题？
感谢您的所有答案。
-----------------------------20160309--------------------------------更新
终于接受了@mlk的回答。非常感谢@zero323对UDF与join的精彩评论，钨代码生成确实是我们现在面临的另一个问题。但是由于我们需要进行数十次查找，并且每次查找平均 4 个条件，因此前一种解决方案更合适......
最终的解决方案以某种方式看起来像下面的代码片段：
```
import sqlContext.implicits._
import com.github.marklister.collections.io._
case class TableType(A: String, B: String, C: String, D: String)
val tableBroadcast = sparkContext.broadcast(CsvParser(TableType).parseFile("..."))
val lkupD = udf {
(aStr: String, bStr: String, cStr: String) =>
tableBroadcast.value.find {
case TableType(a, b, c, _) =>
(a == aStr && b == bStr && c == cStr) ||
(a == aStr && b == bStr)
}.getOrElse(TableType("", "", "", "NA")).D
}
df = df.withColumn("NEW_COL", lkupD($"A", $"B", $"C"))
```
由于 B 很小，我认为最好的方法是广播变量和用户定义的函数。
// However you get the data...
case class BType( A2: Int, B2: Int, C2 : Int, D2 : String)
val B = Seq(BType(1,1,1,"B111"), BType(1,1,2, "B112"), BType(2,0,0, "B200"))
val A = sc.parallelize(Seq((1,1,1, "DATA"), (1,1,2, "DATA"), (2, 0, 0, "DATA"), (2, 0, 1, "NONE"), (3, 0, 0, "NONE"))).toDF("A1", "B1", "C1", "OTHER")
// Broadcast B so all nodes have a copy of it.
val Bbradcast = sc.broadcast(B)
// A user defined function to find the value for D2. This I'm sure could be improved by whacking it into maps. But this is a small example.
val findD = udf {( a: Int, b : Int, c: Int) => Bbradcast.value.find(x => x.A2 == a && x.B2 == b && x.C2 == c).getOrElse(Bbradcast.value.find(x => x.A2 == a && x.B2 == b).getOrElse(BType(0,0,0,"NA"))).D2 }
// Use the UDF in a select
A.select($"A1", $"B1", $"C1", $"OTHER", findD($"A1", $"B1", $"C1").as("D")).show
仅供参考，没有UDF的解决方案：
val b1 = broadcast(b.toDF("A2_1", "B2_1", "C2_1", "D_1"))
val b2 = broadcast(b.toDF("A2_2", "B2_2", "C2_2", "D_2"))
// Match A, B and C
val expr1 = ($"A1" === $"A2_1") && ($"B1" === $"B2_1") && ($"C1" === $"C2_1")
// Match A and B mismatch C
val expr2 = ($"A1" === $"A2_2") && ($"B1" === $"B2_2") && ($"C1" !== $"C2_2")
val toDrop = b1.columns ++ b2.columns
toDrop.foldLeft(a
.join(b1, expr1, "leftouter")
.join(b2, expr2, "leftouter")
// If there is match on A, B, C then D_1 should be not NULL
// otherwise we fall-back to D_2
.withColumn("D", coalesce($"D_1", $"D_2"))
)((df, c) => df.drop(c))
这假设每个类别中最多有一个匹配项（所有三列或前两列）或输出中需要重复的行。
UDF vs JOIN：
有多种因素需要考虑，这里没有简单的答案：
缺点：
- 广播
joins需要将数据传递两次到工作器节点。目前broadcasted表未缓存（SPARK-3863），并且在不久的将来不太可能更改（解决方案：稍后）。 - 即使存在完全匹配，也会应用两次
join操作。
优点：
-
join和coalesce对优化器是透明的，而 UDF 则不是。 - 直接使用 SQL 表达式进行操作可以从所有钨优化中受益，包括代码生成，而 UDF 则不能。