apache-spark - 具有嵌套列的 Apache Spark 窗口函数

标签 apache-spark window-functions apache-spark-sql

我不确定这是一个错误(或者只是语法不正确)。我四处搜寻,没有在其他地方看到提到这一点,所以我在提交错误报告之前在这里询问。

我正在尝试使用在嵌套列上分区的窗口函数。我在下面创建了一个小示例来演示该问题。

import sqlContext.implicits._
import org.apache.spark.sql.functions._
import org.apache.spark.sql.expressions.Window

val data = Seq(("a", "b", "c", 3), ("c", "b", "a", 3)).toDF("A", "B", "C", "num")
  .withColumn("Data", struct("A", "B", "C")).drop("A").drop("B").drop("C")
val winSpec = Window.partitionBy("Data.A", "Data.B").orderBy($"num".desc)
data.select($"*", max("num").over(winSpec) as "max").where("num = max").drop("max").show

上面的结果会出错 org.apache.spark.sql.AnalysisException: resolved attribute(s) A#39,B#40 missing from num#33,Data#37 in operator !Project [num#33,Data#37,A#39,B#40]; at org.apache.spark.sql.catalyst.analysis.CheckAnalysis$class.failAnalysis(CheckAnalysis.scala:38) at org.apache.spark.sql.catalyst.analysis.Analyzer.failAnalysis(Analyzer.scala:44) ...

如果这些列没有嵌套,则可以正常工作。 我是否遗漏了语法中的某些内容,或者这是一个错误?

最佳答案

在我看来,当分析器尝试扩展 *

时,您遇到了错误
import sqlContext.implicits._
import org.apache.spark.sql.functions._
import org.apache.spark.sql.expressions.Window

sql("SET spark.sql.eagerAnalysis=false") // Let us see the error even though we are constructing an invalid tree

val data = Seq(("a", "b", "c", 3), ("c", "b", "a", 3)).toDF("A", "B", "C", "num")
  .withColumn("Data", struct("A", "B", "C"))
  .drop("A")
  .drop("B")
  .drop("C")

val winSpec = Window.partitionBy("Data.A", "Data.B").orderBy($"num".desc)
data.select($"*", max("num").over(winSpec) as "max").explain(true)

通过关闭急切分析(以便我们可以调用解释而不会引发错误),您可以看到“*”正在扩展以包含实际不可用的列:

== Parsed Logical Plan ==
'Project [*,'max('num) windowspecdefinition('Data.A,'Data.B,'num DESC,UnspecifiedFrame) AS max#64928]
+- Project [num#64926,Data#64927]
   +- Project [C#64925,num#64926,Data#64927]
      +- Project [B#64924,C#64925,num#64926,Data#64927]
         +- Project [A#64923,B#64924,C#64925,num#64926,struct(A#64923,B#64924,C#64925) AS Data#64927]
            +- Project [_1#64919 AS A#64923,_2#64920 AS B#64924,_3#64921 AS C#64925,_4#64922 AS num#64926]
               +- LocalRelation [_1#64919,_2#64920,_3#64921,_4#64922], [[a,b,c,3],[c,b,a,3]]

== Analyzed Logical Plan ==
num: int, Data: struct<A:string,B:string,C:string>, max: int
Project [num#64926,Data#64927,max#64928]
+- Project [num#64926,Data#64927,A#64932,B#64933,max#64928,max#64928]
   +- Window [num#64926,Data#64927,A#64932,B#64933], [HiveWindowFunction#org.apache.hadoop.hive.ql.udf.generic.GenericUDAFMax(num#64926) windowspecdefinition(A#64932,B#64933,num#64926 DESC,RANGE BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW) AS max#64928], [A#64932,B#64933], [num#64926 DESC]
      +- !Project [num#64926,Data#64927,A#64932,B#64933]
         +- Project [num#64926,Data#64927]
            +- Project [C#64925,num#64926,Data#64927]
               +- Project [B#64924,C#64925,num#64926,Data#64927]
                  +- Project [A#64923,B#64924,C#64925,num#64926,struct(A#64923,B#64924,C#64925) AS Data#64927]
                     +- Project [_1#64919 AS A#64923,_2#64920 AS B#64924,_3#64921 AS C#64925,_4#64922 AS num#64926]
                        +- LocalRelation [_1#64919,_2#64920,_3#64921,_4#64922], [[a,b,c,3],[c,b,a,3]]

我已在此提交:https://issues.apache.org/jira/browse/SPARK-12989 。 如果您手动列出列而不是使用 *,这应该作为解决方法。

关于apache-spark - 具有嵌套列的 Apache Spark 窗口函数,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/34995376/

相关文章:

apache-spark - 限制apache spark作业运行持续时间

algorithm - 提高 Apache Spark 中重叠观察的置信度

sql - 使用 Order By 计算分区中的行数

SQL逐月检查ID状态变化

sql - 尝试使用行号函数添加值和最大值

mysql - 如何有效地使用窗口函数根据 N 个先前值来决定接下来的 N 个行

java - 线程中的异常 "main"java.lang.ClassNotFoundException : org. Spark_project.protobuf.GenerateMessage

apache-spark - 结构化流并将嵌套数据拆分为多个数据集

apache-spark - 将 MySQL 表转换为 Parquet 时出现 Spark 异常

python - 如何根据 Pyspark 中数组列中的值创建新列