考虑一棵树及其DataFrame表示(左表):
0 ┌───────┬───────┐ ┌───────┬───────┐
├──1 │ id │ parent│ │ id │ path │
│ ├──2 ├───────┼───────┤ ├───────┼───────┤
│ └──3 │ 5 │ 0 │ │ 5 │0/5 │
│ └──4 ├───────┼───────┤ ├───────┼───────┤
└──5 │ 4 │ 3 │ │ 4 │0/1/3/4│
├───────┼───────┤ => ├───────┼───────┤
│ 3 │ 1 │ │ 3 │0/1/3 │
├───────┼───────┤ ├───────┼───────┤
│ 2 │ 1 │ │ 2 │0/1/2 │
├───────┼───────┤ ├───────┼───────┤
│ 1 │ 0 │ │ 1 │0/1 │
├───────┼───────┤ ├───────┼───────┤
│ 0 │ null │ │ 0 │0 │
└───────┴───────┘ └───────┴───────┘
从树的每个节点(右表)获取树路径(从根开始)的最有效方法是什么?
允许所有可能的方法:SQL查询,DataFrame方法,GraphX等。
注意:带有递归连接的经典SQL解决方案不适用于Spark DataFrames。
这看起来像Spark Graph API任务。您可以查看Graphframes spark包。它是一个通过GraphX核心提供高级API的软件包(与RDD上的传统Spark Dataframe相同)。有了这个,您可以使用数据框架构建图形。
看看这个链接:https://mapr.com/blog/analyzing-flight-delays-with-apache-spark-graphframes-and-mapr-db/
它显示了航班数据的用例。如果你看一下Breadth First Search Graph Algorithm
部分,你会看到一个完全符合你想要的算法:找到两个顶点之间的路径(给定一个maxPathLength参数)。
使用graphframes依赖项运行pyspark(根据您的spark版本):
pyspark --packages graphframes:graphframes:0.6.0-spark2.3-s_2.11
构建数据框:
df = sc.parallelize([{"id": 5, "parent": 0}, {"id": 4, "parent": 3}, {"id": 3, "parent": 1}, {"id": 2, "parent": 1}, {"id": 1, "parent": 0}, {"id": 0, "parent": None}]).toDF()
创建图表:
df_vertices = df.selectExpr("id")
df_edges = df.withColumnRenamed("id", "dst").withColumnRenamed("parent", "src")
from graphframes import GraphFrame
graph = GraphFrame(df_vertices, df_edges)
可视化路径(例如从0到4):
graph.bfs(fromExpr="id = 0",toExpr="id = 4", maxPathLength=10).show(2)
结果:
+----+------+---+------+---+------+---+
|from| e0| v1| e1| v2| e2| to|
+----+------+---+------+---+------+---+
| [0]|[1, 0]|[1]|[3, 1]|[3]|[4, 3]|[4]|
+----+------+---+------+---+------+---+