我应该如何将 Spark SQL DataFrame 作为参数传递给 Python 函数？

Question

我在 Jupyter notebook 中有一个 Spark SQL DataFrame output_df1。我想定义一个函数如下：

def output_agg(output_table_1):
    output_agg_1 = spark.sql(f"""
    select * from {output_table_1}
    """)
    return output_agg_1

当我调用 output_agg(output_df1) 时，出现以下错误：

Py4JJavaError                             Traceback (most recent call last)
/opt/spark/python/lib/pyspark.zip/pyspark/sql/utils.py in deco(*a, **kw)
     62         try:
---> 63             return f(*a, **kw)
     64         except py4j.protocol.Py4JJavaError as e:

/opt/spark/python/lib/py4j-0.10.7-src.zip/py4j/protocol.py in get_return_value(answer, gateway_client, target_id, name)
    327                     "An error occurred while calling {0}{1}{2}.\n".
--> 328                     format(target_id, ".", name), value)
    329             else:

Py4JJavaError: An error occurred while calling o110.sql.
: org.apache.spark.sql.catalyst.parser.ParseException: 
mismatched input '['  expecting <EOF>

你能帮我看看正确的语法吗？

Answer 1

在传递给 spark.sql 之前打印 SQL 查询并检查 SQL 查询是否正常。另外，分享有问题的 SQL 查询。

def output_agg(output_table_1):
    query = f"""select * from {output_table_1}"""
    print(query)
    output_agg_1 = spark.sql(query)
    return output_agg_1

如果 SQL 查询看起来不错，则可能的问题可能是 table 未在 spark 中注册。

正如评论中所讨论的，既然你想联合多个dfs，你可以这样做

from functools import reduce
from pyspark.sql import DataFrame

dfs_list = [output_df1, output_df2, output_df3, output_df4]
df_combined = reduce(DataFrame.unionAll, dfs_list)

注意：确保所有 df 中的列顺序相同

Answer 2

spark sql select 需要给 table/temporary table。首先将dataframe注册为临时table，然后执行SQL语句。

output_df1.createOrReplaceTempView('output_table')
def output_agg(output_table_1):
    output_agg_1 = spark.sql(f"""
    select * from {output_table_1}
    """)
    return output_agg_1
output_agg('output_table')

我无法对已完成的问题添加评论。学习SparkSQL的资料是SparkSQL参考。 https://spark.apache.org/docs/latest/sql-ref.html

我应该如何将 Spark SQL DataFrame 作为参数传递给 Python 函数？

How should I pass a Spark SQL DataFrame as an argument in Python function?

python

apache-spark

pyspark

apache-spark-sql