У меня DataFrame df
со следующей структурой:
root
|-- author: array (nullable = true)
| |-- element: integer (containsNull = true)
|-- client: array (nullable = true)
| |-- element: integer (containsNull = true)
|-- outbound_link: array (nullable = true)
| |-- element: string (containsNull = true)
|-- url: string (nullable = true)
Я запускаю этот код:
val sourceField = "outbound_link" // set automatically
val targetField = "url" // set automatically
val nodeId = "client" // set automatically
val result = df.as("df1").join(df.as("df2"),
$"df1."+sourceField === $"df2."+targetField
).groupBy(
($"df1."+nodeId).as("nodeId_1"),
($"df2."+nodeId).as("nodeId_2")
)
.agg(
count("*") as "value", max($"df1."+timestampField) as "timestamp"
)
.toDF("source", "target", "value", "timestamp")
Но получаю ошибку:
Exception in thread "main" org.apache.spark.sql.AnalysisException: syntax error in attribute name: df1.;
По какой-то причине переменные sourceField
и targetField
не видны внутри операции join
. Эти переменные не являются пустыми и содержат названия полей. Я должен использовать переменные, потому что я определяю их автоматически на предыдущем этапе кода.
Действительно интересный случай. Посмотрите на $"df1."+sourceField
и подумайте, когда $"df1."
конвертируется в Column
по сравнению с конкатенацией "df1."+sourceField
.
scala> val sourceField = "id"
sourceField: String = id
scala> $"df1."+sourceField
org.apache.spark.sql.AnalysisException: syntax error in attribute name: df1.;
at org.apache.spark.sql.catalyst.analysis.UnresolvedAttribute$.e$1(unresolved.scala:151)
at org.apache.spark.sql.catalyst.analysis.UnresolvedAttribute$.parseAttributeName(unresolved.scala:170)
at org.apache.spark.sql.catalyst.analysis.UnresolvedAttribute$.quotedString(unresolved.scala:142)
at org.apache.spark.sql.Column.<init>(Column.scala:137)
at org.apache.spark.sql.ColumnName.<init>(Column.scala:1203)
at org.apache.spark.sql.SQLImplicits$StringToColumn.$(SQLImplicits.scala:45)
... 55 elided
Замените $"df1."+sourceField
, чтобы использовать функции col
или column
, и все будет в порядке.
scala> col(s"df1.$sourceField")
res7: org.apache.spark.sql.Column = df1.id