如何使用Spark檢查兩個HDFS數據集是否相等？

Question

例如，我有兩個Spark作業的輸出：a：part-00000 part-00001 ... part-00099，b：part-00000 part-00001 ... part-00099。

是否有一種簡單的方法來測試a是否等於b而不管線的順序如何。請注意，spark分區順序不一樣，因此即使a等於b，a和b中的零件00000也可能不同。

Answer 1

，你可以計算兩個dataframes的交點（公共線），並檢查其大小：

val df1 = spark.read.parquet("file1") 
val df2 = spark.read.parquet("file2") 
val equal = df1.count == df2.count && df2.count == df1.intersect(df2).count