如何在spark sql中进行左外连接？

Question

我试图在spark(1.6.2)中进行左外连接,但它不起作用.我的SQL查询是这样的:

sqlContext.sql("select t.type, t.uuid, p.uuid
from symptom_type t LEFT JOIN plugin p 
ON t.uuid = p.uuid 
where t.created_year = 2016 
and p.created_year = 2016").show()

结果是这样的:

+--------------------+--------------------+--------------------+
|                type|                uuid|                uuid|
+--------------------+--------------------+--------------------+
|              tained|89759dcc-50c0-490...|89759dcc-50c0-490...|
|             swapper|740cd0d4-53ee-438...|740cd0d4-53ee-438...|

我使用LEFT JOIN或LEFT OUTER JOIN得到了相同的结果(第二个uuid不为null).

我希望第二个uuid列只能为null.如何正确地进行左外连接？

===其他信息==

如果我使用数据帧做左外连接我得到了正确的结果.

s = sqlCtx.sql('select * from symptom_type where created_year = 2016')
p = sqlCtx.sql('select * from plugin where created_year = 2016')

s.join(p, s.uuid == p.uuid, 'left_outer')
.select(s.type, s.uuid.alias('s_uuid'), 
        p.uuid.alias('p_uuid'), s.created_date, p.created_year, p.created_month).show()

我有这样的结果:

+-------------------+--------------------+-----------------+--------------------+------------+-------------+
|               type|              s_uuid|           p_uuid|        created_date|created_year|created_month|
+-------------------+--------------------+-----------------+--------------------+------------+-------------+
|             tained|6d688688-96a4-341...|             null|2016-01-28 00:27:...|        null|         null|
|             tained|6d688688-96a4-341...|             null|2016-01-28 00:27:...|        null|         null|
|             tained|6d688688-96a4-341...|             null|2016-01-28 00:27:...|        null|         null|

谢谢,

Answer 1

我没有在您的代码中看到任何问题."左连接"或"左外连接"都可以正常工作.请再次检查数据您显示的数据是否匹配.

您还可以使用以下命令执行Spark SQL连接:

//左外连接显式

df1.join(df2, df1("col1") === df2("col1"), "left_outer")

Answer 2

您正在使用过滤掉p.created_year（和p.uuid）的空值

where t.created_year = 2016 
and p.created_year = 2016

避免这种情况的方法是将过滤子句p移至ON语句：

sqlContext.sql("select t.type, t.uuid, p.uuid
from symptom_type t LEFT JOIN plugin p 
ON t.uuid = p.uuid 
and p.created_year = 2016
where t.created_year = 2016").show()

这是正确的，但是效率很低，因为我们还需要t.created_year在连接发生之前进行过滤。因此建议使用子查询：

sqlContext.sql("select t.type, t.uuid, p.uuid
from (
  SELECT type, uuid FROM symptom_type WHERE created_year = 2016 
) t LEFT JOIN (
  SELECT uuid FROM plugin WHERE created_year = 2016
) p 
ON t.uuid = p.uuid").show()    

Answer 3

我认为你只需要使用LEFT OUTER JOIN而不是LEFT JOIN你想要的关键字。有关详细信息，请参阅Spark 文档。