【踩坑】SparkSQL union/unionAll 函数的去重问题

【踩坑】SparkSQL union/unionAll 函数的去重问题

• 测试数据

case class Employee(first_name:String)

val employeeDF1 = spark.createDataset(Seq( 
    Employee("Mary"), 
    Employee("Mandy"),
    Employee("Kurt")
))
val employeeDF2 = spark.createDataset(Seq( 
    Employee("Mary"), 
    Employee("Julie"), 
    Employee("Mandy"),
    Employee("Julie"), 
    Employee("Kurt")
))

• 无论是union还是unionall都不会去重

employeeDF1.union(employeeDF2).show

employeeDF1.unionAll(employeeDF2).show

• 当通过spark.sql执行方式时，union可以去重

employeeDF1.createOrReplaceTempView("ds1")
employeeDF2.createOrReplaceTempView("ds2")

spark.sql("select * from ds1 union select * from ds2").show

spark.sql("select * from ds1 union all select * from ds2").show

• 误区
  • SQL标准查询语言　层面（如hive环境）：union去重，unionAll简单合并性能较好
  • Spark union 默认按列的位置直接合并，很可能字段错误合并。可使用unionByName作为替代
  • 最新官方集合操作文档：https://spark.apache.org/docs/latest/sql-ref-syntax-qry-select-setops.html#set-operators