Spark - 聚合 children 和 parent 条记录

Question

我处理具有树结构的数据。每个parent可以有多个children。 Parent 没有关于 children 的信息，但是每个 child 都知道它的 parent。此外，每个 child 都知道它的完整路径 - 这是一串连接的 parent 标识符，因此每个记录都知道它在树中的级别。该记录的结构为：

id  | parent_id | path
--- + --------- + ------
11  | 1         | 1-11
12  | 1         | 1-12
121 | 12        | 1-12-121

现在我必须读取 table，按 id 分组并对 bigint 类型的列 value 求和。最重要的事实是只有叶子 - 没有 children 的元素 - 具有指定值，每个 parent 必须是其所有 children 值的总和。最初所有 parent 的值都等于 0。

分组前：

Root
| - Parent 1 (value = 0)
| - - Child 11 (value = 1)
| - - Child 12 (value = 1)
| - - Parent 13 (value = 0)
| - - - Child 131 (value = 2)
| - - - Child 132 (value = 1)
| - Parent 2 (value = 0)
| - - Child 21 (value = 2)
| - - Child 22 (value = 1)

分组结果：

Root
| - Parent 1 (value = 5 (1 + 1 + 3))
| - - Child 11 (value = 1)
| - - Child 12 (value = 1)
| - - Parent 13 (value = 3 (2 + 1))
| - - - Child 131 (value = 2)
| - - - Child 132 (value = 1)
| - Parent 2 (value = 3 (2 + 1))
| - - Child 21 (value = 2)
| - - Child 22 (value = 1)

而且非常重要的要求：我无法收集这些数据并在内存中分组，因为数据集真的很大，所以我必须使用数据集或数据框来完成。

Answer 1

如果我没理解错的话，您只对每个节点的值之和感兴趣。在这种情况下，您只需查看每次路径之一中出现的节点，并为相应节点添加所有此类值。火花版本将是：

scala> val df = spark.sql(s"""
  select
    col1 as id,
    col2 as parent_id,
    col3 as path,
    col4 as value
  from values
    (11, 1, "1-11", 1),
    (12, 1, "1-12", 1),
    (13, 1, "1-13", 0),
    (131, 13, "1-13-131", 2),
    (132, 13, "1-13-132", 1)
""")


scala> (df
 .withColumn("path_arr", split(col("path"), "-"))
 .select($"value", explode($"path_arr").as("node"))
 .groupBy("node")
 .sum()
 .orderBy($"node")
).show

产生：

+----+----------+
|node|sum(value)|
+----+----------+
|   1|         5|
|  11|         1|
|  12|         1|
|  13|         3|
| 131|         2|
| 132|         1|
+----+----------+

Spark - 聚合 children 和 parent 条记录

Spark - aggregate and sum children with parent records

dataset

aggregation

dataframe

apache-spark