在 Apache Spark (Scala) 上获取两个数据帧的差异

Posted 2023-04-15

【中文标题】在 Apache Spark (Scala) 上获取两个数据帧的差异

【英文标题】：Getting Difference of two dataframe on Apache Spark (Scala)

【发布时间】：2020-02-18 21:51:34

【问题描述】：

我有两个数据帧，它们是 large csv 文件，我正在将它们读入 Spark (Scala) 中的数据帧

第一个数据框类似于

key| col1 | col2  |
-------------------
1  | blue | house |
2  | red  | earth | 
3  | green| earth |
4  | cyan | home  | 

第二个数据框类似于

key| col1 | col2  | col3
-------------------
1  | blue | house | xyz
2  | cyan | earth | xy
3  | green| mars  | xy

我想为不同数据框中的公共键和公共列（键就像主键）获得这样的差异

key| col1         | col2           |
------------------------------------
1  | blue         | house          |
2  | red --> cyan | earth          | 
3  | green        | home--> mars   | 

以下是我目前的做法：

//read the files into dataframe
val src_df = read_df(file1)
val tgt_df = read_df(file2) 

//truncate dataframe to only contain common keys
val common_src = spark.sql(
"""
    select * 
    from src_df src
    where src.key IN(
        select tgt.key
        from tgt_df tgt
"""

val tgt_common = spark.sql(
"""
    select * 
    from tgt_df tgt
    where tgt.key IN(
        select src.key
        from src_df src
"""
//merge both the dataframes
val joined_df = src_common.join(tgt_common, src_common(key) === tgt_common(key), "inner")

我尝试做这样的事情没有成功

joined_df
.groupby(key)
.apply(some_function(?))

我尝试查看在线发布的现有解决方案。但我无法得到想要的结果。

PS：也希望该解决方案能够针对大数据进行扩展

谢谢

【参考方案1】：

尝试以下方法：

spark.sql(
"""
    select 
        s.id, 
        if(s.col1 = t.col1, s.col1, s.col1 || ' --> ' || t.col1) as col1,
        if(s.col2 = t.col2, s.col2, s.col2 || ' --> ' || t.col2) as col2
    from src_df s
    inner join tgt_df t on s.id = t.id
""").show