将Spark DataSet行值映射到新的哈希列

Question

给出以下DataSet值inputData:

column0 column1 column2 column3
A       88      text    99
Z       12      test    200
T       120     foo     12

在星火,什么是计算一个新的有效途径hash列,并将它添加到一个新的DataSet,hashedData其中hash被定义为应用MurmurHash3过的每一行的值inputData.

具体来说,hashedData如下:

column0 column1 column2 column3 hash
A       88      text    99      MurmurHash3.arrayHash(Array("A", 88, "text", 99))
Z       12      test    200     MurmurHash3.arrayHash(Array("Z", 12, "test", 200))
T       120     foo     12      MurmurHash3.arrayHash(Array("T", 120, "foo", 12))

如果需要更多细节,请告诉我.

任何帮助表示赞赏.谢谢!

Answer 1

一种方法是使用该withColumn功能:

import org.apache.spark.sql.functions.hash
dataset.withColumn("hash", hash(dataset.columns.map(col):_*))

Answer 2

事实证明，Spark 已经将其实现为hash包内的函数org.apache.spark.sql.functions

/**
 * Calculates the hash code of given columns, and returns the result as an int column.
 *
 * @group misc_funcs
 * @since 2.0
 */
@scala.annotation.varargs
def hash(cols: Column*): Column = withExpr {
  new Murmur3Hash(cols.map(_.expr))
}

在我的情况下，申请为：

import org.apache.spark.sql.functions.{col, hash}

val newDs = typedRows.withColumn("hash", hash(typedRows.columns.map(col): _*))

我真的有很多关于 Spark sql 的知识 :(。

留在这里以防其他人需要它。谢谢！