如何在spark SQL(PySpark)中实现自增

Question

我需要在我的 spark sql table 中实现一个自动递增列，我该怎么做。请指导我。我正在使用 pyspark 2.0

谢谢卡莲

Answer 1

我会 write/reuse stateful Hive udf 并向 pySpark 注册，因为 Spark SQL 确实对 Hive 有很好的支持。

检查下面代码中的这一行 @UDFType(deterministic = false, stateful = true) 以确保它是有状态 UDF。

package org.apache.hadoop.hive.contrib.udf;

import org.apache.hadoop.hive.ql.exec.Description;
import org.apache.hadoop.hive.ql.exec.UDF;
import org.apache.hadoop.hive.ql.udf.UDFType;
import org.apache.hadoop.io.LongWritable;

/**
 * UDFRowSequence.
 */
@Description(name = "row_sequence",
    value = "_FUNC_() - Returns a generated row sequence number starting from 1")
@UDFType(deterministic = false, stateful = true)
public class UDFRowSequence extends UDF
{
  private LongWritable result = new LongWritable();

  public UDFRowSequence() {
    result.set(0);
  }

  public LongWritable evaluate() {
    result.set(result.get() + 1);
    return result;
  }
}

// End UDFRowSequence.java

现在构建 jar 并在 pyspark 启动时添加位置。

$ pyspark --jars your_jar_name.jar

然后用sqlContext注册。

sqlContext.sql("CREATE TEMPORARY FUNCTION row_seq AS 'org.apache.hadoop.hive.contrib.udf.UDFRowSequence'")

现在在 select 查询中使用 row_seq()

sqlContext.sql("SELECT row_seq(), col1, col2 FROM table_name")

Project to use Hive UDFs in pySpark

如何在spark SQL(PySpark)中实现自增

How to implement auto increment in spark SQL(PySpark)

hive

apache-spark

apache-spark-sql

pyspark-sql