动态连接多个列上的两个 spark-scala 数据帧，无需硬编码连接条件

Question

我想在多个列上动态加入两个 spark-scala 数据帧。我会避免硬编码列名称比较，如以下语句所示；

val joinRes = df1.join(df2, df1("col1") == df2("col1") and df1("col2") == df2("col2"))

pyspark 版本中已存在此查询的解决方案 -- 提供如下 link

我想使用 spark-scala 编写相同的代码

Answer 1

在 scala 中，您可以使用与 python 中类似的方式进行操作，但您需要使用 map 和 reduce 函数：

val sparkSession = SparkSession.builder().getOrCreate()
import sparkSession.implicits._

val df1 = List("a,b", "b,c", "c,d").toDF("col1","col2")
val df2 = List("1,2", "2,c", "3,4").toDF("col1","col2")

val columnsdf1 = df1.columns
val columnsdf2 = df2.columns

val joinExprs = columnsdf1
   .zip(columnsdf2)
   .map{case (c1, c2) => df1(c1) === df2(c2)}
   .reduce(_ && _)

val dfJoinRes = df1.join(df2,joinExprs)

动态连接多个列上的两个 spark-scala 数据帧，无需硬编码连接条件

dynamically join two spark-scala dataframes on multiple columns without hardcoding join conditions

scala

join

multiple-columns

spark-dataframe