impala与sparksql:内置函数转换:fnv\u散列

3pvhb19x  于 2021-06-26  发布在  Impala
关注(0)|答案(1)|浏览(498)

我用的是 fnv_hash 在 Impala 中把一些字符串值转换成数字。现在我正在迁移到sparksql,sparksql中是否有类似的函数可以使用?将字符串值Map到数字的几乎是1-1的函数应该可以工作。谢谢!

r7s23pms

r7s23pms1#

不幸的是,spark不提供直接替换。内置时 o.a.s.sql.functions.hash / pyspark.sql.functions.hash spark使用32位散列(与64位散列相比) fnv_hash 在 Impala )。如果这是可以接受的只是进口 hash 你可以走了:

from pyspark.sql.functions import hash as hash_

df = sc.parallelize([("foo", ), ("bar", )]).toDF(["foo"])

df.select(hash_("foo"))
DataFrame[hash(foo): int]

如果你需要更大的你可以看看 XXH64 . 它不是使用sql函数直接公开的,但是catalyst表达式是公共的,所以您只需要一个简单的 Package 器。大致是这样的:

package com.example.spark.sql

import org.apache.spark.sql.Column
import org.apache.spark.sql.catalyst.expressions.XxHash64

object functions {
  def xxhash64(cols: Column*): Column = new Column(
    new XxHash64(cols.map(_.expr))
  )
}
from pyspark import SparkContext
from pyspark.sql.column import Column, _to_java_column, _to_seq

def xxhash64(*cols):
    sc = SparkContext._active_spark_context
    jc = sc._jvm.com.example.spark.sql.functions.xxhash64(
        _to_seq(sc, cols, _to_java_column)
    )
    return Column(jc)

df.select(xxhash64("foo"))
DataFrame[xxHash(foo): bigint]

相关问题