我想在 myMap
上执行查找。当 col2
值为“0000”时,我想用与 col1
键相关的值更新它。否则我想保留现有的 col2
值。
val myDF :
+-----+-----+
|col1 |col2 |
+-----+-----+
|1 |a |
|2 |0000 |
|3 |c |
|4 |0000 |
+-----+-----+
val myMap : Map[String, String] ("2" -> "b", "4" -> "d")
val broadcastMyMap = spark.sparkContext.broadcast(myMap)
def lookup = udf((key:String) => broadcastMyMap.value.get(key))
myDF.withColumn("col2", when ($"col2" === "0000", lookup($"col1")).otherwise($"col2"))
我在 spark-shell 中使用了上面的代码并且它工作正常但是当我构建应用程序 jar 并使用 spark-submit 将它提交给 Spark 时它抛出一个错误:
org.apache.spark.SparkException: Failed to execute user defined function(anonfun$5: (string) => string)
Caused by: java.lang.NullPointerException
有没有一种方法可以在不使用 UDF 的情况下执行查找,这在性能方面不是最佳选择,或者可以修复错误? 我认为我不能只使用 join,因为必须保留的 myDF.col2 的某些值可能会在操作中被隐藏。
最佳答案
您的 NullPointerException
无效。我用下面的示例程序证明了这一点。
它工作得很好。你执行下面的程序。
package com.example
import org.apache.log4j.{Level, Logger}
import org.apache.spark.sql.SparkSession
import org.apache.spark.sql.expressions.UserDefinedFunction
object MapLookupDF {
Logger.getLogger("org").setLevel(Level.OFF)
def main(args: Array[String]) {
import org.apache.spark.sql.functions._
val spark = SparkSession.builder.
master("local[*]")
.appName("MapLookupDF")
.getOrCreate()
import spark.implicits._
val mydf = Seq((1, "a"), (2, "0000"), (3, "c"), (4, "0000")).toDF("col1", "col2")
mydf.show
val myMap: Map[String, String] = Map("2" -> "b", "4" -> "d")
println(myMap.toString)
val broadcastMyMap = spark.sparkContext.broadcast(myMap)
def lookup: UserDefinedFunction = udf((key: String) => {
println("getting the value for the key " + key)
broadcastMyMap.value.get(key)
}
)
val finaldf = mydf.withColumn("col2", when($"col2" === "0000", lookup($"col1")).otherwise($"col2"))
finaldf.show
}
}
结果:
Using Spark's default log4j profile: org/apache/spark/log4j-defaults.properties
+----+----+
|col1|col2|
+----+----+
| 1| a|
| 2|0000|
| 3| c|
| 4|0000|
+----+----+
Map(2 -> b, 4 -> d)
getting the value for the key 2
getting the value for the key 4
+----+----+
|col1|col2|
+----+----+
| 1| a|
| 2| b|
| 3| c|
| 4| d|
+----+----+
注意:广播的小 map 不会有明显的退化。
如果你想使用数据框,你可以将 map 转换为数据框
val df = myMap.toSeq.toDF("key", "val")
Map(2 -> b, 4 -> d) in dataframe format will be like
+----+----+
|key|val |
+----+----+
| 2| b|
| 4| d|
+----+----+
然后像this一样加入
自己动手做...
关于scala - 使用 Scala 在 Spark 中以列值为条件的广播 map 上执行查找,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/56547664/