Spark 增量加载覆盖旧记录

Question

我需要使用 Spark (PySpark)

对 table 进行增量加载

示例如下：

第 1 天

id | value
-----------
1  | abc
2  | def

第 2 天

id | value
-----------
2  | cde
3  | xyz

预期结果

id | value
-----------
1  | abc
2  | cde
3  | xyz

这可以在关系数据库中轻松完成，
想知道这是否可以在 Spark 或其他转换工具中完成，例如急？

Answer 1

数据帧附加由 pyspark 中的 union 函数完成。我将用一个示例进行演示，并按照您在问题中提到的那样创建 2 个数据帧。

from pyspark.sql.types import Row
df1 = sqlContext.createDataFrame([Row(id=1,value="abc"),Row(id=2,value="def")])

df1.show()
+---+-----+
| id|value|
+---+-----+
|  1|  abc|
|  2|  def|
+---+-----+

df2 = sqlContext.createDataFrame([Row(id=2,value="cde"),Row(id=3,value="xyz")])
df2.show()
+---+-----+
| id|value|
+---+-----+
|  2|  cde|
|  3|  xyz|
+---+-----+

让我们在两个数据帧之间做一个union，你会得到想要的结果。

df2.union(df1).dropDuplicates(["id"]).show()
+---+-----+
| id|value|
+---+-----+
|  1|  abc|
|  3|  xyz|
|  2|  cde|
+---+-----+

您可以使用 asc 从 pyspark.sql.functions

对输出进行排序

from pyspark.sql.functions import asc


df2.union(df1).dropDuplicates(["id"]).sort(asc("id")).show()
+---+-----+
| id|value|
+---+-----+
|  1|  abc|
|  2|  cde|
|  3|  xyz|
+---+-----+

Answer 2

解决方法，在dataframe中添加一个日期列，然后根据id进行排名，按日期降序排列，并取rank == 1。它总是会根据id给你最新的记录。

df.("rank", rank().over(Window.partitionBy($"id").orderBy($"date".desc)))
  .filter($"rank" === 1)
  .drop($"rank")
  .orderBy($"id")
  .show

Answer 3

给你！第一个数据框：

 >>> list1 = [(1, 'abc'),(2,'def')]
 >>> olddf = spark.createDataFrame(list1, ['id', 'value'])
 >>> olddf.show();
 +---+-----+
 | id|value|
 +---+-----+
 |  1|  abc|
 |  2|  def|
 +---+-----+

第二个数据框：

>>> list2 = [(2, 'cde'),(3,'xyz')]
>>> newdf = spark.createDataFrame(list2, ['id', 'value'])
>>> newdf.show();
+---+-----+
| id|value|
+---+-----+
|  2|  cde|
|  3|  xyz|
+---+-----+

现在使用完全外部连接连接并合并这两个数据名并使用合并功能，同时 select 并且可以用用户定义的值替换空值。

from pyspark.sql.functions import *

>>> df = olddf.join(newdf, olddf.id == newdf.id,'full_outer').select(coalesce(olddf.id,newdf.id).alias("id"),coalesce(newdf.value,olddf.value).alias("value"))
>>> df.show();
+---+-----+
| id|value|
+---+-----+
|  1|  abc|
|  3|  xyz|
|  2|  cde|
+---+-----+

希望这能解决您的问题。 :-)

Spark 增量加载覆盖旧记录

Spark incremental loading overwrite old record

etl

presto

apache-spark

pyspark