Scala 如何连接多个列上的数据集？

给定两个Spark数据集，A和B I可以在单个列上进行连接，如下所示：

a.joinWith(b, $"a.col" === $"b.col", "left")

我的问题是是否可以使用多个列进行联接。本质上等同于以下数据帧api代码：

a.join(b, a("col") === b("col") && a("col2") === b("col2"), "left")

---

您可以使用与

数据帧

完全相同的方法执行此操作：

val xs = Seq(("a", "foo", 2.0), ("x", "bar", -1.0)).toDS
val ys = Seq(("a", "foo", 2.0), ("y", "bar", 1.0)).toDS

xs.joinWith(ys, xs("_1") === ys("_1") && xs("_2") === ys("_2"), "left").show
// +------------+-----------+
// |          _1|         _2|
// +------------+-----------+
// | [a,foo,2.0]|[a,foo,2.0]|
// |[x,bar,-1.0]|       null|
// +------------+-----------+

在Spark<2.0.0中，您可以使用以下内容：

xs.as("xs").joinWith(
  ys.as("ys"), ($"xs._1" === $"ys._1") && ($"xs._2" === $"ys._2"), "left")

---

还有另一种连接方式，通过一个接一个地链接

where

。首先指定联接（以及可选的联接类型），然后指定

where

运算符，即

之所以这么好，是因为Spark优化器会将连续的

where

s与

join

连接在一起（没有双关语）。使用

explain

运算符查看底层逻辑和物理计划

scala> as.join(bs).where(as("id") === bs("id")).where(as("name") === bs("name")).explain(extended = true)
== Parsed Logical Plan ==
Filter (name#31 = name#36)
+- Filter (id#30L = id#35L)
   +- Join Inner
      :- LocalRelation [id#30L, name#31]
      +- LocalRelation [id#35L, name#36]

== Analyzed Logical Plan ==
id: bigint, name: string, id: bigint, name: string
Filter (name#31 = name#36)
+- Filter (id#30L = id#35L)
   +- Join Inner
      :- LocalRelation [id#30L, name#31]
      +- LocalRelation [id#35L, name#36]

== Optimized Logical Plan ==
Join Inner, ((name#31 = name#36) && (id#30L = id#35L))
:- Filter isnotnull(name#31)
:  +- LocalRelation [id#30L, name#31]
+- Filter isnotnull(name#36)
   +- LocalRelation [id#35L, name#36]

== Physical Plan ==
*BroadcastHashJoin [name#31, id#30L], [name#36, id#35L], Inner, BuildRight
:- *Filter isnotnull(name#31)
:  +- LocalTableScan [id#30L, name#31]
+- BroadcastExchange HashedRelationBroadcastMode(List(input[1, string, false], input[0, bigint, false]))
   +- *Filter isnotnull(name#36)
      +- LocalTableScan [id#35L, name#36]

---

在Java中，

&&

运算符不起作用。Spark Java中基于多列的正确连接方式如下：

            Dataset<Row> datasetRf1 = joinedWithDays.join(
                    datasetFreq, 
                    datasetFreq.col("userId").equalTo(joinedWithDays.col("userId"))
                    .and(datasetFreq.col("artistId").equalTo(joinedWithDays.col("artistId"))),
                            "inner"
                    );

Dataset datasetRf1=joinedWithDays.join(
datasetFreq，
datasetFreq.col（“userId”）.equalTo（joinedWithDays.col（“userId”））
和（datasetFreq.col（“artistId”）.equalTo（与days.col（“artistId”）合并），
“内部”
);

和

函数的工作原理与

和&

运算符类似

            Dataset<Row> datasetRf1 = joinedWithDays.join(
                    datasetFreq, 
                    datasetFreq.col("userId").equalTo(joinedWithDays.col("userId"))
                    .and(datasetFreq.col("artistId").equalTo(joinedWithDays.col("artistId"))),
                            "inner"
                    );