使用Spark SQL的临时表解决一个小问题

最近在使用spark处理一个业务场景时，遇到一个小问题，我在scala代码里，使用spark sql访问hive的表，然后根据一批id把需要的数据过滤出来，本来是非常简单的需求直接使用下面的伪SQL即可：

但现在遇到的问题是id条件比较多，大概有几万个，这样量级的in是肯定会出错的，看网上文章hive的in查询超过3000个就报错了。

如何解决？

主要有两种解决方法：

（一）分批执行，就是把几万个id，按3000一组查询一次，最后把所有的查询结果在汇合起来。

（二）使用join，把几万个id创建成一张hive表，然后两表关联，可以一次性把结果给获取到。

这里倾向于第二种解决办法，比较灵活和方便扩展，尽量不要把数据集分散，一旦分散意味着客户端需要做更多的工作来合并结果集，比如随便一个sum或者dinstict，如果是第一种则需要在最终的结果集再次sum或者distinct。

下面看看如何使用第二种解决：

由于我们id列表是动态的，每个任务的id列表都有可能变换，所以要满足第二种方法，就得把他们变成一张临时表存储在内存中，当spark任务停止时，就自动销毁，因为他们不需要持久化到硬盘上。

在spark中使用临时表是非常简单的，我们只需要把id列表的数据放入rdd中，然后再把rdd注册成一个张表，就可以和hive库里面已有的表做各种join操作了，一个demo代码如下：

上面代码里的变量ids，就是我们需要转化成内存表的数据，然后需要转成Seq，并生成RDD，再通过RDD转成DataFrame，注意如果要使用DF，需要导入 import spark.implicits._包下面的函数，这样就能隐式的直接转成DF，在转成DF的同时，我们给数据指定了列名叫id，这里如果有多列，后面可以继续逗号分隔，添加多个列名，最终我们给它注册成了内存临时表，然后在下面的语句中就可以直接使用hive里面存在的表与内存表进行join，最终我们打印一下成功join后数量，可以验证下程序是否正常运行。