Apache spark spark 3.0-spark聚合函数给出了与预期不同的表达式

问题：

• 对于sumDistinct表达式->总和（DISTINCT x）
• 但对于countDistinct表达式->count（x）

这是某种缺陷还是功能？

注意：countDistinct在spark版本<3.0中给出了正确的表达式->计数（Distinct x）

---

正如@Shaido在评论部分提到的那样。。。我已经验证了一些东西来指出toString中最新版本的spark代码中存在一些bug。（这可能是一个错误或功能，我不完全确定）

火花代码版本<3.X

/Downloads/spark-3.0.1-bin-hadoop2.7/bin$ ./spark-shell


20/09/23 10:58:45 WARN Utils: Your hostname, byte-nihal resolves to a loopback address: 127.0.1.1; using 192.168.2.103 instead (on interface enp2s0)
20/09/23 10:58:45 WARN Utils: Set SPARK_LOCAL_IP if you need to bind to another address
20/09/23 10:58:49 WARN NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
Using Spark's default log4j profile: org/apache/spark/log4j-defaults.properties
Setting default log level to "WARN".
To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel).
Spark context Web UI available at http://192.168.2.103:4040
Spark context available as 'sc' (master = local[*], app id = local-1600838949311).
Spark session available as 'spark'.
Welcome to
      ____              __
     / __/__  ___ _____/ /__
    _\ \/ _ \/ _ `/ __/  '_/
   /___/ .__/\_,_/_/ /_/\_\   version 3.0.1
      /_/
         
Using Scala version 2.12.10 (OpenJDK 64-Bit Server VM, Java 1.8.0_265)
Type in expressions to have them evaluated.
Type :help for more information.

scala> import org.apache.spark.sql.functions._
import org.apache.spark.sql.functions._

scala> println(countDistinct("x"))
count(x)

scala> println(sumDistinct("x"))
sum(DISTINCT x)

scala> println(sum("x"))
sum(x)

scala> println(count("x"))
count(x)

如果我们特别检查countDistinct（“x”）的源代码

正如您在第二个重载方法中所看到的那样，使用了Count.apply聚合函数和isDistinct=true作为不同的值进行计数

  def countDistinct(columnName: String, columnNames: String*): Column =
    countDistinct(Column(columnName), columnNames.map(Column.apply) : _*)
 
  def countDistinct(expr: Column, exprs: Column*): Column = {
    withAggregateFunction(Count.apply((expr +: exprs).map(_.expr)), isDistinct = true)
  }

如果您特别使用AggregateFunction检查，它将返回type，如果您检查列的toString方法

private def withAggregateFunction(
    func: AggregateFunction,
    isDistinct: Boolean = false): Column = {
    Column(func.toAggregateExpression(isDistinct))
  }

它在上调用.sql方法

AggregateExpression根据下面的代码回调aggregateFunction的sql方法

override def sql:String=aggregateFunction.sql（isDistinct）

在我们的例子中，AggregateFuncion是Count

 def toPrettySQL(e: Expression): String = usePrettyExpression(e).sql

根据上面的代码，它应该返回count（不同的x）

现在，在spark版本>=3.X中 我已经检查了源代码，toString行为有点不同

def sql(isDistinct: Boolean): String = {
    val distinct = if (isDistinct) "DISTINCT " else ""
    s"$prettyName($distinct${children.map(_.sql).mkString(", ")})"
  }

它现在使用UnsolvedFunction而不是withAggregateFunction

在toString中，方法非常简单，如下所示

@scala.annotation.varargs
  def countDistinct(expr: Column, exprs: Column*): Column =
    // For usage like countDistinct("*"), we should let analyzer expand star and
    // resolve function.
    Column(UnresolvedFunction("count", (expr +: exprs).map(_.expr), isDistinct = true))

---

哪个打印计数（x）。。这就是为什么输出为count（x）

它可能与

countDistinct

的实现方式有关，请参阅。它需要允许多个输入列以及

“*”

，而

sum

和

sumdinct

在同一时间仅对单个列起作用。特别要注意的是，

countDistinct

中的

unsolvedFunction

被命名为

count

，这可能是原因吗？@Shaido它在2.4 sparkNo中实现了相同的功能，2.4版本看起来是这样的。不使用

unsolvedFunction

。此合并带来的更改是为了允许

“*”

输入：ok my bad。它的实施方式不同

@scala.annotation.varargs
  def countDistinct(expr: Column, exprs: Column*): Column =
    // For usage like countDistinct("*"), we should let analyzer expand star and
    // resolve function.
    Column(UnresolvedFunction("count", (expr +: exprs).map(_.expr), isDistinct = true))

override def toString: String = s"'$name(${children.mkString(", ")})"