Spark Dataframe：选择不同的行

Question

我尝试了两种方法来从镶木地板中找到不同的行，但它似乎不起作用。
尝试 1： Dataset<Row> df = sqlContext.read().parquet("location.parquet").distinct();
但是抛出

Cannot have map type columns in DataFrame which calls set operations
(intersect, except, etc.), 
but the type of column canvasHashes is map<string,string>;;

尝试2： 尝试运行sql查询：

Dataset<Row> df = sqlContext.read().parquet("location.parquet");
    rawLandingDS.createOrReplaceTempView("df");
    Dataset<Row> landingDF = sqlContext.sql("SELECT distinct on timestamp * from df");

我得到的错误：

= SQL ==
SELECT distinct on timestamp * from df
-----------------------------^^^

有没有办法在读取镶木地板文件时获取不同的记录？我可以使用的任何阅读选项。

Answer 1

您面临的问题在异常消息中明确说明 - 因为MapType列既不可散列也不可排序，不能用作分组或分区表达式的一部分。

您对 SQL 解决方案的看法在逻辑上并不等同于distinct对Dataset. 如果您想基于一组兼容的列来删除重复数据，您应该使用dropDuplicates：

df.dropDuplicates("timestamp")

这相当于

SELECT timestamp, first(c1) AS c1, first(c2) AS c2,  ..., first(cn) AS cn,
       first(canvasHashes) AS canvasHashes
FROM df GROUP BY timestamp

不幸的是，如果你的目标是实际的DISTINCT，那就不会那么容易了。可能的解决方案是利用 Scala*Map哈希。你可以这样定义Scala ： udf

spark.udf.register("scalaHash", (x: Map[String, String]) => x.##)

然后在 Java 代码中使用它来派生可用于dropDuplicates：

 df
  .selectExpr("*", "scalaHash(canvasHashes) AS hash_of_canvas_hashes")
  .dropDuplicates(
    // All columns excluding canvasHashes / hash_of_canvas_hashes
    "timestamp",  "c1", "c2", ..., "cn" 
    // Hash used as surrogate of canvasHashes
    "hash_of_canvas_hashes"         
  )

与 SQL 等效的

SELECT 
  timestamp, c1, c2, ..., cn,   -- All columns excluding canvasHashes
  first(canvasHashes) AS canvasHashes
FROM df GROUP BY
  timestamp, c1, c2, ..., cn    -- All columns excluding canvasHashes

* 请注意，java.util.Map与它hashCode不起作用，因为hashCode不一致。