python - ¿Cómo podemos unir dos marcos de datos SQL Spark usando un criterio "LIKE" de SQL-esque?

apache-spark apache-spark-sql

Question

Estamos utilizando las bibliotecas PySpark que interactúan con Spark 1.3.1.

Tenemos dos marcos de datos, documents_df := {document_id, document_text} y keywords_df := {keyword} . Nos gustaría unirnos a los dos marcos de datos y devolver un marco de datos resultante con pares {document_id, keyword} , utilizando el criterio de que la palabra clave_df.keyword aparezca en la cadena document_df.document_text.

En PostgreSQL, por ejemplo, podríamos lograr esto usando una cláusula ON del formulario:

document_df.document_text ilike ''%'' || keyword_df.keyword || ''%''

Sin embargo, en PySpark, no puedo obtener ninguna forma de sintaxis de combinación para trabajar. ¿Alguien ha logrado algo como esto antes?

Atentamente,

Será

Answer 1

Es posible de dos maneras diferentes, pero en general no se recomienda. Primero creemos un dato ficticio:

from pyspark.sql import Row

document_row = Row("document_id", "document_text")
keyword_row = Row("keyword") 

documents_df = sc.parallelize([
    document_row(1L, "apache spark is the best"),
    document_row(2L, "erlang rocks"),
    document_row(3L, "but haskell is better")
]).toDF()

keywords_df = sc.parallelize([
    keyword_row("erlang"),
    keyword_row("haskell"),
    keyword_row("spark")
]).toDF()

1. UDF de colmena

   documents_df.registerTempTable("documents")
   keywords_df.registerTempTable("keywords")
   
   query = """SELECT document_id, keyword
       FROM documents JOIN keywords
       ON document_text LIKE CONCAT(''%'', keyword, ''%'')"""
   
   like_with_hive_udf = sqlContext.sql(query)
   like_with_hive_udf.show()
   
   ## +-----------+-------+
   ## |document_id|keyword|
   ## +-----------+-------+
   ## |          1|  spark|
   ## |          2| erlang|
   ## |          3|haskell|
   ## +-----------+-------+

2. Python UDF

   from pyspark.sql.functions import udf, col 
   from pyspark.sql.types import BooleanType
   
   # Of you can replace `in` with a regular expression
   contains = udf(lambda s, q: q in s, BooleanType())
   
   like_with_python_udf = (documents_df.join(keywords_df)
       .where(contains(col("document_text"), col("keyword")))
       .select(col("document_id"), col("keyword")))
   like_with_python_udf.show()
   
   ## +-----------+-------+
   ## |document_id|keyword|
   ## +-----------+-------+
   ## |          1|  spark|
   ## |          2| erlang|
   ## |          3|haskell|
   ## +-----------+-------+

¿Por qué no recomendado? Porque en ambos casos requiere un producto cartesiano:

like_with_hive_udf.explain()

## TungstenProject [document_id#2L,keyword#4]
##  Filter document_text#3 LIKE concat(%,keyword#4,%)
##   CartesianProduct
##    Scan PhysicalRDD[document_id#2L,document_text#3]
##    Scan PhysicalRDD[keyword#4]

like_with_python_udf.explain()

## TungstenProject [document_id#2L,keyword#4]
##  Filter pythonUDF#13
##   !BatchPythonEvaluation PythonUDF#<lambda>(document_text#3,keyword#4), ...
##    CartesianProduct
##     Scan PhysicalRDD[document_id#2L,document_text#3]
##     Scan PhysicalRDD[keyword#4]

Hay otras formas de lograr un efecto similar sin un cartesiano completo.

1. Únase en un documento tokenizado: útil si la lista de palabras clave es demasiado grande para ser manejada en la memoria de una sola máquina

   from pyspark.ml.feature import Tokenizer
   from pyspark.sql.functions import explode
   
   tokenizer = Tokenizer(inputCol="document_text", outputCol="words")
   
   tokenized = (tokenizer.transform(documents_df)
       .select(col("document_id"), explode(col("words")).alias("token")))
   
   like_with_tokenizer = (tokenized
       .join(keywords_df, col("token") == col("keyword"))
       .drop("token"))
   
   like_with_tokenizer.show()
   
   ## +-----------+-------+
   ## |document_id|keyword|
   ## +-----------+-------+
   ## |          3|haskell|
   ## |          1|  spark|
   ## |          2| erlang|
   ## +-----------+-------+

   Esto requiere barajar pero no cartesiano:

   like_with_tokenizer.explain()
   
   ## TungstenProject [document_id#2L,keyword#4]
   ##  SortMergeJoin [token#29], [keyword#4]
   ##   TungstenSort [token#29 ASC], false, 0
   ##    TungstenExchange hashpartitioning(token#29)
   ##     TungstenProject [document_id#2L,token#29]
   ##      !Generate explode(words#27), true, false, [document_id#2L, ...
   ##       ConvertToSafe
   ##        TungstenProject [document_id#2L,UDF(document_text#3) AS words#27]
   ##         Scan PhysicalRDD[document_id#2L,document_text#3]
   ##   TungstenSort [keyword#4 ASC], false, 0
   ##    TungstenExchange hashpartitioning(keyword#4)
   ##     ConvertToUnsafe
   ##      Scan PhysicalRDD[keyword#4]

2. Python UDF y variable de difusión: si la lista de palabras clave es relativamente pequeña

   from pyspark.sql.types import ArrayType, StringType
   
   keywords = sc.broadcast(set(
       keywords_df.map(lambda row: row[0]).collect()))
   
   bd_contains = udf(
       lambda s: list(set(s.split()) & keywords.value), 
       ArrayType(StringType()))
   
   
   like_with_bd = (documents_df.select(
       col("document_id"), 
       explode(bd_contains(col("document_text"))).alias("keyword")))
   
   like_with_bd.show()
   
   ## +-----------+-------+
   ## |document_id|keyword|
   ## +-----------+-------+
   ## |          1|  spark|
   ## |          2| erlang|
   ## |          3|haskell|
   ## +-----------+-------+

   No requiere barajar ni cartesiano, pero aún debe transferir la variable de difusión a cada nodo de trabajo.

   like_with_bd.explain()
   
   ## TungstenProject [document_id#2L,keyword#46]
   ##  !Generate explode(pythonUDF#47), true, false, ...
   ##   ConvertToSafe
   ##    TungstenProject [document_id#2L,pythonUDF#47]
   ##     !BatchPythonEvaluation PythonUDF#<lambda>(document_text#3), ...
   ##      Scan PhysicalRDD[document_id#2L,document_text#3]

3. Desde Spark 1.6.0 puede marcar un pequeño marco de datos usando sql.functions.broadcast para obtener un efecto similar al anterior sin usar UDF y variables de transmisión explícitas. Reutilizando datos tokenizados:

   from pyspark.sql.functions import broadcast
   
   like_with_tokenizer_and_bd = (broadcast(tokenized)
       .join(keywords_df, col("token") == col("keyword"))
       .drop("token"))
   
   like_with_tokenizer.explain()
   
   ## TungstenProject [document_id#3L,keyword#5]
   ##  BroadcastHashJoin [token#10], [keyword#5], BuildLeft
   ##   TungstenProject [document_id#3L,token#10]
   ##    !Generate explode(words#8), true, false, ...
   ##     ConvertToSafe
   ##      TungstenProject [document_id#3L,UDF(document_text#4) AS words#8]
   ##       Scan PhysicalRDD[document_id#3L,document_text#4]
   ##   ConvertToUnsafe
   ##    Scan PhysicalRDD[keyword#5]

Relacionado :

• Para una coincidencia aproximada, consulte Coincidencia de cadenas eficiente en Apache Spark .