自加入后使用UDF的Spark 2.0过滤器

Question

我需要使用我自己的用户定义函数来过滤Spark数据帧。我的数据框是使用jdbc连接从数据库中读取的，然后在进行过滤之前通过spark中的自联接操作。在尝试过滤后的数据帧collect时发生错误。

我一直在Spark 1.6中成功使用它。然而，在升级到2.0后，昨日它失败，错误：

py4j.protocol.Py4JJavaError: An error occurred while calling o400.collectToPython. 
: java.lang.UnsupportedOperationException: Cannot evaluate expression: 
<lambda>(input[0, string, true]) 

这里是产生错误（在我的环境），一个小例子：

from pyspark.sql.functions import udf, col 
from pyspark.sql.types import BooleanType 

spark = SparkSession.builder.master('local').appName('test').getOrCreate() 

# this works successfully 
df = spark.createDataFrame([('Alice', 1), ('Bob', 2), ('Dan', None)], 
          ['name', 'age']) 
df.filter(udf(lambda x: 'i' in x, BooleanType())(df.name)).collect() 
>>> [Row(name=u'Alice', age=1)] 

# this produces the error 
df_emp = spark.createDataFrame([(1, 'Alice', None), (2, 'Bob', 1), 
           (3, 'Dan', 2), (4, 'Joe', 2)], 
           ['id', 'name', 'manager_id']) 
df1 = df_emp.alias('df1') 
df2 = df_emp.alias('df2') 
cols = df1.columns 
# the self-join 
result = df1.join(df2, col('df1.id') == col('df2.manager_id'), 'left_outer') 
result.collect() 
>>> [Row(id=1, name=u'Alice', manager_id=None), 
    Row(id=3, name=u'Dan', manager_id=2), Row(id=2, name=u'Bob', manager_id=1), 
    Row(id=2, name=u'Bob', manager_id=1), Row(id=4, name=u'Joe', manager_id=2)] 

# simple udf filter 
filtered = result.filter(udf(lambda x: 'i' in x, BooleanType())(result.name)) 
filtered.collect() 
# the above error is produced... 

难道我做错什么在这种情况下， ？这是2.0中的一个错误还是应该考虑两个版本之间的行为改变？

Answer 1

这是一个pyspark中的错误。

我已经提交了错误的在这里https://issues.apache.org/jira/browse/SPARK-17100

此问题出现在left_outer，right_outer和外部连接，而不是内部连接。

一种解决方法是在过滤器之前缓存连接结果。

如：

result = df1.join(df2, col('df1.id') == col('df2.manager_id'), 'left_outer').select(df2.name).cache()