Scala Spark数据帧,方法问题除外
我有一个减两个数据帧的用例。所以我使用了dataframeexcept()方法 在较小的数据集上,这在本地运行良好 但是当我运行AWS S3 bucket时,except()方法并没有像预期的那样生成负数。在分布式环境中有什么需要注意的吗 有没有人面临过类似的问题 这是我的示例代码Scala Spark数据帧,方法问题除外,scala,apache-spark,apache-spark-sql,spark-dataframe,Scala,Apache Spark,Apache Spark Sql,Spark Dataframe,我有一个减两个数据帧的用例。所以我使用了dataframeexcept()方法 在较小的数据集上,这在本地运行良好 但是当我运行AWS S3 bucket时,except()方法并没有像预期的那样生成负数。在分布式环境中有什么需要注意的吗 有没有人面临过类似的问题 这是我的示例代码 val values = List(List("One", "2017-07-01T23:59:59.000", "2017-11-04T23:59:58.000", "A", "Yes") , List("T
val values = List(List("One", "2017-07-01T23:59:59.000", "2017-11-04T23:59:58.000", "A", "Yes")
, List("Two", "2017-07-01T23:59:59.000", "2017-11-04T23:59:58.000", "X", "No")
, List("Three", "2017-07-09T23:59:59.000", "2017-12-05T23:59:58.000", "M", "Yes")
, List("Four", "2017-11-01T23:59:59.000", "2017-12-09T23:59:58.000", "A", "No")
, List("Five", "2017-07-09T23:59:59.000", "2017-12-05T23:59:58.000", "", "No")
,List("One", "2017-07-01T23:59:59.000", "2017-11-04T23:59:58.000", "", "No")
)
.map(row => (row(0), row(1), row(2), row(3), row(4)))
val spark = SparkSession.builder().master("local").getOrCreate()
import spark.implicits._
val df = values.toDF("KEY", "ROW_START_DATE", "ROW_END_DATE", "CODE", "Indicator")
val filterCond = (col("ROW_START_DATE") <= "2017-10-31T23:59:59.999" && col("ROW_END_DATE") >= "2017-10-31T23:59:59.999" && col("CODE").isin("M", "A", "R", "G"))
val Filtered = df.filter(filterCond)
val Excluded = df.except(df.filter(filterCond))
但在S3桶上运行时得到如下结果
Filtered.show(false)
+-----+-----------------------+-----------------------+----+---------+
|KEY |ROW_START_DATE |ROW_END_DATE |CODE|Indicator|
+-----+-----------------------+-----------------------+----+---------+
|One |2017-07-01T23:59:59.000|2017-11-04T23:59:58.000|A |Yes |
|Three|2017-07-09T23:59:59.000|2017-12-05T23:59:58.000|M |Yes |
+-----+-----------------------+-----------------------+----+---------+
Excluded.show(false)
+----+-----------------------+-----------------------+----+---------+
|KEY |ROW_START_DATE |ROW_END_DATE |CODE|Indicator|
+----+-----------------------+-----------------------+----+---------+
|One |2017-07-01T23:59:59.000|2017-11-04T23:59:58.000|A |Yes |---> wrong
|Four|2017-11-01T23:59:59.000|2017-12-09T23:59:58.000|A |No |
|Two |2017-07-01T23:59:59.000|2017-11-04T23:59:58.000|X |No |
|Five|2017-07-09T23:59:59.000|2017-12-05T23:59:58.000| |No |
|One |2017-07-01T23:59:59.000|2017-11-04T23:59:58.000| |No |
+----+-----------------------+-----------------------+----+---------+
有没有其他方法可以执行两个spark数据帧的减号?S3不是一个完整的文件系统,而且
如果它不能与issues.apache.org上的s3a://文件a SPARK-JIRA一起工作,那么也可以将s3a放入文本中,包括这个代码片段(它隐式地将其授权给ASF)。然后,我可以将它复制到一个测试中&看看我是否能看到它,如果可以,当我在Hadoop 3.1+中打开s3guard时,它是否消失了。根据两个数据帧上的唯一性,可以在两个数据帧上使用leftanti连接,这将为您提供从except操作中预期的输出
val diffdf = df1.join(df2,Seq("uniquekey"),"leftanti")
s3存储桶中的
Filtered.show(false)
是什么?Filtered.show(false)在两种环境中工作相同。更新了S3输出您尝试的是val Excluded=df.except(df.filter(filterCond))
为什么不尝试使用val Excluded=df.except(filterCond)
?这有什么不同吗?我没有找到任何解决方案,因此我更改了编程功能。不确定为什么会出现这个问题,可能是因为spark的分布式处理特性。
val diffdf = df1.join(df2,Seq("uniquekey"),"leftanti")