scala - 如何在数据帧中引用广播变量

Question

我用的是spark1.6。我尝试广播 RDD，但不确定如何访问数据帧中的广播变量？

我有两个数据框员工和部门。

员工数据框

-------------------
Emp Id | Emp Name | Emp_Age
------------------
1 | john | 25

2 | David | 35

部门数据框

--------------------
Dept Id | Dept Name | Emp Id
-----------------------------
1 | Admin | 1

2 | HR | 2

import scala.collection.Map

val df_emp = hiveContext.sql("select * from emp")

val df_dept = hiveContext.sql("select * from dept")

val rdd = df_emp.rdd.map(row => (row.getInt(0),row.getString(1)))

val lkp = rdd.collectAsMap()

val bc = sc.broadcast(lkp)

print(bc.value.get(1).get)

--Below statement doesn't work

val combinedDF = df_dept.withColumn("emp_name",bc.value.get($"emp_id").get)

1. 如何在上面的combinedDF语句中引用广播变量？
2. 如果lkp没有返回任何值如何处理？
3. 有没有办法从 lkp 返回多条记录(假设在查找中有 2 条 emp_id=1 的记录，我想获取这两条记录)
4. 如何从广播中返回多个值...(emp_name 和 emp_age)

Answer 1

How do I refer the broadcast variable in the above combinedDF statement?

使用udf。如果emp_id是Int

val f = udf((emp_id: Int) =>  bc.value.get(emp_id))

df_dept.withColumn("emp_name", f($"emp_id"))

How to handle if the lkp doesn't return any value?

不要使用如上所示的get

Is there a way to return multiple records from the lkp

使用groupByKey:

val lkp = rdd.groupByKey.collectAsMap()

和爆炸:

df_dept.withColumn("emp_name", f($"emp_id")).withColumn("emp_name", explode($"emp_name"))

或者直接跳过所有步骤并广播:

import org.apache.spark.sql.functions._

df_emp.join(broadcast(df_dep), Seq("Emp Id"), "left")