apache-spark - 使用另一个 RDD/df 在 Spark RDD 或数据帧中执行查找/转换

Question

我很难实现一些看起来应该很容易的东西:

我的目标是使用第二个 RDD/数据帧作为查找表或翻译字典在 RDD/数据帧中进行翻译。我想在多列中进行这些翻译。

解释问题的最简单方法是举例。假设我输入了以下两个 RDD:

Route SourceCityID DestinationCityID
A     1            2
B     1            3
C     2            1

和

CityID CityName
1      London
2      Paris
3      Tokyo

我想要的输出 RDD 是:

Route SourceCity DestinationCity
A     London     Paris
B     London     Tokyo
C     Paris      London

我应该如何去生产它？

这是 SQL 中的一个简单问题，但我不知道 Spark 中 RDD 的明显解决方案。 join、cogroup 等方法似乎不太适合多列 RDD，并且不允许指定要加入的列。

有什么想法吗？ SQLContext 是答案吗？

Answer 1

rdd方式:

routes = sc.parallelize([("A", 1, 2),("B", 1, 3), ("C", 2, 1) ])
cities = sc.parallelize([(1, "London"),(2, "Paris"), (3, "Tokyo")])


print routes.map(lambda x: (x[1], (x[0], x[2]))).join(cities) \
.map(lambda x: (x[1][0][1], (x[1][0][0], x[1][1]))).join(cities). \
map(lambda x: (x[1][0][0], x[1][0][1], x[1][1])).collect()

哪个打印:

[('C', 'Paris', 'London'), ('A', 'London', 'Paris'), ('B', 'London', 'Tokyo')]

和 SQLContext 方式:

from pyspark.sql import HiveContext
from pyspark.sql import SQLContext

df_routes = sqlContext.createDataFrame(\
routes, ["Route", "SourceCityID", "DestinationCityID"])
df_cities = sqlContext.createDataFrame(\
cities, ["CityID", "CityName"])

temp =  df_routes.join(df_cities, df_routes.SourceCityID == df_cities.CityID) \
.select("Route", "DestinationCityID", "CityName")
.withColumnRenamed("CityName", "SourceCity")

print temp.join(df_cities, temp.DestinationCityID == df_cities.CityID) \
.select("Route", "SourceCity", "CityName")
.withColumnRenamed("CityName", "DestinationCity").collect()

哪个打印:

[Row(Route=u'C', SourceCity=u'Paris', DestinationCity=u'London'),
Row(Route=u'A', SourceCity=u'London', DestinationCity=u'Paris'),
Row(Route=u'B', SourceCity=u'London', DestinationCity=u'Tokyo')]