Spark SQL：在数组值上使用 collect_set？

Question

我有一个聚合的 DataFrame，其中有一列使用collect_set. 我现在需要再次聚合此 DataFrame，并再次应用于collect_set该列的值。问题是我需要应用collect_Set集合的值——而且我看到的唯一方法是分解聚合的 DataFrame。有没有更好的办法？例子：初始数据框：country   | continent   | attributes-------------------------------------Canada    | America     | ABelgium   | Europe      | ZUSA       | America     | ACanada    | America     | BFrance    | Europe      | YFrance    | Europe      | X聚合数据帧（我收到作为输入的那个） - 聚合country：country   | continent   | attributes-------------------------------------Canada    | America     | A, BBelgium   | Europe      | ZUSA       | America     | AFrance    | Europe      | Y, X我想要的输出 - 聚合continent：continent   | attributes-------------------------------------America     | A, BEurope      | X, Y, Z

Answer 1

由于此时您只能拥有少量行，因此您只需按原样收集属性并将结果展平（Spark >= 2.4）

import org.apache.spark.sql.functions.{collect_set, flatten, array_distinct}

val byState = Seq(

  ("Canada", "America", Seq("A", "B")),

  ("Belgium", "Europe", Seq("Z")),

  ("USA", "America", Seq("A")),

  ("France", "Europe", Seq("Y", "X"))

).toDF("country", "continent", "attributes")

byState

  .groupBy("continent")

  .agg(array_distinct(flatten(collect_set($"attributes"))) as "attributes")

  .show

+---------+----------+

|continent|attributes|

+---------+----------+

|   Europe| [Y, X, Z]|

|  America|    [A, B]|

+---------+----------+

在一般情况下，事情更难处理，并且在许多情况下，如果您期望大型列表，每个组有许多重复项和许多值，则最佳解决方案*是从头开始重新计算结果，即

input.groupBy($"continent").agg(collect_set($"attributes") as "attributes")

一种可能的替代方法是使用Aggregator

import org.apache.spark.sql.expressions.Aggregator

import org.apache.spark.sql.catalyst.encoders.ExpressionEncoder

import org.apache.spark.sql.{Encoder, Encoders}

import scala.collection.mutable.{Set => MSet}

class MergeSets[T, U](f: T => Seq[U])(implicit enc: Encoder[Seq[U]]) extends 

     Aggregator[T, MSet[U], Seq[U]] with Serializable {

  def zero = MSet.empty[U]

  def reduce(acc: MSet[U], x: T) = {

    for { v <- f(x) } acc.add(v)

    acc

  }

  def merge(acc1: MSet[U], acc2: MSet[U]) = {

    acc1 ++= acc2

  }

  def finish(acc: MSet[U]) = acc.toSeq

  def bufferEncoder: Encoder[MSet[U]] = Encoders.kryo[MSet[U]]

  def outputEncoder: Encoder[Seq[U]] = enc

}

并按如下方式应用

case class CountryAggregate(

  country: String, continent: String, attributes: Seq[String])

byState

  .as[CountryAggregate]

  .groupByKey(_.continent)

  .agg(new MergeSets[CountryAggregate, String](_.attributes).toColumn)

  .toDF("continent", "attributes")

  .show

+---------+----------+

|continent|attributes|

+---------+----------+

|   Europe| [X, Y, Z]|

|  America|    [B, A]|

+---------+----------+

但这显然不是 Java 友好的选择。

另请参阅如何在 groupBy 之后将值聚合到集合中？（类似，但没有唯一性约束）。

* 这是因为explode可能非常昂贵，尤其是在旧 Spark 版本中，与访问 SQL 集合的外部表示相同。