Apache spark sparksql中的递归cte

你能帮我在SPARK SQL中实现同样的功能吗？使用SPARK SQL是不可能的。WITH子句存在，但不适用于类似于ORACLE中的CONNECT BY或DB2中的递归

这已经很晚了，但今天我尝试使用pysparksql实现cte递归查询

这里，我有一个简单的数据帧。我想做的是找到每个ID的最新ID

原始数据帧：

; WITH  Hierarchy as 
        (
            select distinct PersonnelNumber
            , Email
            , ManagerEmail 
            from dimstage
            union all
            select e.PersonnelNumber
            , e.Email           
            , e.ManagerEmail 
            from dimstage  e
            join Hierarchy as  h on e.Email = h.ManagerEmail
        )
        select * from Hierarchy

我想要的结果是：

+-----+-----+
|OldID|NewID|
+-----+-----+
|    1|    2|
|    2|    3|
|    3|    4|
|    4|    5|
|    6|    7|
|    7|    8|
|    9|   10|
+-----+-----+

这是我的密码：

+-----+-----+
|OldID|NewID|
+-----+-----+
|    1|    5|
|    2|    5|
|    3|    5|
|    4|    5|
|    6|    8|
|    7|    8|
|    9|   10|
+-----+-----+

我知道性能相当差，但至少它给出了我需要的答案

---

这是我第一次向StackOverFlow发布答案，如果我有任何错误，请原谅。

这是否回答了您的问题？请参阅答案评论。谢谢您的回复。它可能不是类似的通用表表达式方法，但有什么不同的方法来实现这一点吗？比如写一些函数并调用它们..仍然在探索我这边的选项。试试这个bug，它也是程序性的。我相信我的回答正如你所问的那样足够了，但不是上面的错误

df = sqlContext.createDataFrame([(1, 2), (2, 3), (3, 4), (4, 5), (6, 7), (7, 8),(9, 10)], "OldID integer,NewID integer").checkpoint().cache()

dfcheck = df.drop('NewID')
dfdistinctID = df.select('NewID').distinct()
dfidfinal = dfdistinctID.join(dfcheck, [dfcheck.OldID == dfdistinctID.NewID], how="left_anti") #We find the IDs that have not been replaced

dfcurrent = df.join(dfidfinal, [dfidfinal.NewID == df.NewID], how="left_semi").checkpoint().cache() #We find the the rows that are related to the IDs that have not been replaced, then assign them to the dfcurrent dataframe.
dfresult = dfcurrent
dfdifferentalias = df.select(df.OldID.alias('id1'), df.NewID.alias('id2')).checkpoint().cache()

while dfcurrent.count() > 0:
  dfcurrent = dfcurrent.join(broadcast(dfdifferentalias), [dfcurrent.OldID == dfdifferentalias.id2], how="inner").select(dfdifferentalias.id1.alias('OldID'), dfcurrent.NewID.alias('NewID')).cache()
  dfresult = dfresult.unionAll(dfcurrent)

display(dfresult.orderBy('OldID'))