Spark Java：当列的顺序不同时如何比较模式？

Question

在这个问题之后，我现在运行这个代码：List<StructField> fields = new ArrayList<>();fields.add(DataTypes.createStructField("A",DataTypes.LongType,true));fields.add(DataTypes.createStructField("B",DataTypes.DoubleType,true));StructType schema1 = DataTypes.createStructType(fields);Dataset<Row> df1 = spark.sql("select 1 as A, 2.2 as B");Dataset<Row> finalDf1 = spark.createDataFrame(df1.javaRDD(), schema1);fields = new ArrayList<>();fields.add(DataTypes.createStructField("B",DataTypes.DoubleType,true));fields.add(DataTypes.createStructField("A",DataTypes.LongType,true));StructType schema2 = DataTypes.createStructType(fields);Dataset<Row> df2 = spark.sql("select 2.2 as B, 1 as A");Dataset<Row> finalDf2 = spark.createDataFrame(df2.javaRDD(), schema2);finalDf1.printSchema();finalDf2.printSchema();System.out.println(finalDf1.schema());System.out.println(finalDf2.schema());System.out.println(finalDf1.schema().equals(finalDf2.schema()));这是输出：root |-- A: long (nullable = true) |-- B: double (nullable = true)root |-- B: double (nullable = true) |-- A: long (nullable = true)StructType(StructField(A,LongType,true), StructField(B,DoubleType,true))StructType(StructField(B,DoubleType,true), StructField(A,LongType,true))false虽然列的排列顺序不同，但这两个数据集具有完全相同的列和列类型。这里需要什么比较才能得到true？

Answer 1

假设订单 cols 不匹配并且相同的名称具有相同的语义并且需要相同数量的列。

一个使用 SCALA 的例子，你应该能够适应 JAVA：

import spark.implicits._

val df = sc.parallelize(Seq(

        ("A", "X", 2, 100), ("A", "X", 7, 100), ("B", "X", 10, 100),

        ("C", "X", 1, 100), ("D", "X", 50, 100), ("E", "X", 30, 100)

        )).toDF("c1", "c2", "Val1", "Val2")

val names = df.columns

val df2 = sc.parallelize(Seq(

       ("A", "X", 2, 1))).toDF("c1", "c2", "Val1", "Val2")

val names2 = df2.columns

names.sortWith(_ < _) sameElements names2.sortWith(_ < _)

返回真或假，试验输入。

Answer 2

如果它们的顺序不同，则它们不相同。即使它们都具有相同的列数和相同的名称。如果您想查看两个架构是否具有相同的列名，请从两个数据帧的列表中获取架构，然后编写代码来比较它们。见下面的java示例

public static void main(String[] args)

{

    List<String> firstSchema =Arrays.asList(DataTypes.createStructType(ConfigConstants.firstSchemaFields).fieldNames());

    List<String> secondSchema = Arrays.asList(DataTypes.createStructType(ConfigConstants.secondSchemaFields).fieldNames());

    if(schemasHaveTheSameColumnNames(firstSchema,secondSchema))

    {

        System.out.println("Yes, schemas have the same column names");

    }else

    {

        System.out.println("No, schemas do not have the same column names");

    }

}

private static boolean schemasHaveTheSameColumnNames(List<String> firstSchema, List<String> secondSchema)

{

    if(firstSchema.size() != secondSchema.size())

    {

        return false;

    }else 

    {

        for (String column : secondSchema)

        {

            if(!firstSchema.contains(column))

                return false;

        }

    }

    return true;

}

Answer 3

按照前面的答案，似乎是比较StructFields（列和类型）而不仅仅是名称的最快方法如下：

Set<StructField> set1 = new HashSet<>(Arrays.asList(schema1.fields()));

Set<StructField> set2 = new HashSet<>(Arrays.asList(schema2.fields()));

boolean result = set1.equals(set2);