Apache spark 如何在Spark 2.3.0中减去两个保持重复的数据帧

Spark 2.4.0引入了新的便捷功能

exceptAll

，该功能允许减去两个数据帧，保留重复数据

范例

  val df1 = Seq(
    ("a", 1L),
    ("a", 1L),
    ("a", 1L),
    ("b", 2L)
  ).toDF("id", "value")
  val df2 = Seq(
    ("a", 1L),
    ("b", 2L)
  ).toDF("id", "value")

df1.exceptAll(df2).collect()
// will return

Seq(("a", 1L),("a", 1L))

但是，我只能使用Spark 2.3.0

---

仅使用Spark 2.3.0中的函数实现此功能的最佳方法是什么

一个选项是使用

row\u number

生成序列号列，并在

左连接上使用它来获取缺少的行

此处显示的Pypark解决方案

 from pyspark.sql.functions import row_number
 from pyspark.sql import Window
 w1 = Window.partitionBy(df1.id).orderBy(df1.value)
 w2 = Window.partitionBy(df2.id).orderBy(df2.value)
 df1 = df1.withColumn("rnum", row_number().over(w1))
 df2 = df2.withColumn("rnum", row_number().over(w2))
 res_like_exceptAll = df1.join(df2, (df1.id==df2.id) & (df1.val == df2.val) & (df1.rnum == df2.rnum), 'left') \
                         .filter(df2.id.isNull()) \ #Identifies missing rows 
                         .select(df1.id,df1.value)
 res_like_exceptAll.show()