[select之后的spark sql where子句

Question

考虑以下spark-sql查询：

  Seq(("b", 2), ("d", 4), ("a", 1), ("c", 3))
  .toDF("letter", "number")
  .select($"letter")
  .where($"number" > 1)
  .show

甚至可以拆分原始查询，并且行为仍然存在：

val letters =
  Seq(("b", 2), ("d", 4), ("a", 1), ("c", 3))
  .toDF("letter", "number")
  .select($"letter")

letters
  .where($"number" > 1)
  .show

这似乎与延迟加载有关，但是我不确定这里到底发生了什么。

当只保留字母时，为什么可以在where子句中包含$"number"？

编辑1这里是解释：

letters.explain(true)
== Parsed Logical Plan ==
'Project [unresolvedalias('letter, None)]
+- Project [_1#76942 AS letter#76955, _2#76943 AS number#76956]
   +- LocalRelation [_1#76942, _2#76943]

== Analyzed Logical Plan ==
letter: string
Project [letter#76955]
+- Project [_1#76942 AS letter#76955, _2#76943 AS number#76956]
   +- LocalRelation [_1#76942, _2#76943]

== Optimized Logical Plan ==
LocalRelation [letter#76955]

== Physical Plan ==
LocalTableScan [letter#76955]

Answer 1

Spark方法的固有特性，即在舞台上的Action / Job中融合代码->狭窄的转换。

Spark将优化代码。许多例子。

val rdd1 = ...
val rdd2 = rdd1.map(...
val rdd3 = rdd2.map(...

在此琐碎的示例中，由于进行了代码的优化和融合，当执行操作时，甚至可能甚至没有rdd2，rdd1。

在您的情况下，您可以将它们融合在一起，而只是进行简单的本地表扫描。

您可以看一下https://spoddutur.github.io/spark-notes/second_generation_tungsten_engine.html来给出融合代码（又称整个阶段代码生成）的想法。