时间戳

首页 > 解决方案 > 为什么 array_contains 在 SQL 中接受两个参数的列，但在 Dataset API 中不接受？

apache-spark - 为什么 array_contains 在 SQL 中接受两个参数的列，但在 Dataset API 中不接受？

问题描述

我一直在查看有关 StackOverflow 上array_contains（和isin）方法的问题和答案，但我仍然无法回答以下问题：

为什么array_contains在 SQL 中接受列（引用）作为其参数，而标准函数不接受？

我可以理解，上述问题很容易被标记为“主要基于意见”或类似的，所以让我将其改写为以下内容：

如何使用array_contains标准函数以便它接受列中的参数（值）？

scala> spark.version
res0: String = 2.3.0

val codes = Seq(
  (Seq(1, 2, 3), 2),
  (Seq(1), 1),
  (Seq.empty[Int], 1),
  (Seq(2, 4, 6), 0)).toDF("codes", "cd")
scala> codes.show
+---------+---+
|    codes| cd|
+---------+---+
|[1, 2, 3]|  2|
|      [1]|  1|
|       []|  1|
|[2, 4, 6]|  0|
+---------+---+

// array_contains in SQL mode works with arguments being columns
val q = codes.where("array_contains(codes, cd)")
scala> q.show
+---------+---+
|    codes| cd|
+---------+---+
|[1, 2, 3]|  2|
|      [1]|  1|
+---------+---+

// array_contains standard function with Columns does NOT work. Why?!
// How to change it so it would work (without reverting to SQL expr)?
scala> val q = codes.where(array_contains($"codes", $"cd"))
java.lang.RuntimeException: Unsupported literal type class org.apache.spark.sql.ColumnName cd
  at org.apache.spark.sql.catalyst.expressions.Literal$.apply(literals.scala:77)
  at org.apache.spark.sql.functions$.array_contains(functions.scala:2988)
  ... 49 elided

标签： apache-sparkapache-spark-sql

解决方案

仅仅是因为没有人关心实现(Column, Column) => Column变体。如果您检查源代码，您会发现设计中没有任何内容，这会阻止您创建一个，因为标准工作流程是将非Column参数转换为文字。

它甚至不是特别有特色。还有其他没有包装器接受额外Column参数的函数，包括但不限于不同的日期/时间处理函数和数学函数。

推荐阅读