如何在 Spark SQL 中启用 Postgis 查询

Question

我有一个带有 Postgis 扩展的 PostgreSQL 数据库，所以我可以进行如下查询：

SELECT *
FROM poi_table
WHERE (ST_DistanceSphere(the_geom, ST_GeomFromText('POINT(121.37796 31.208297)', 4326)) < 6000)

使用 Spark SQL，我可以在我的 Spark 应用程序（在 Scala 中）中查询表，例如：

spark.sql("select the_geom from poi_table where the_geom is not null").show

问题是，Spark SQL 不支持 Postgis 扩展。比如我使用Postgis函数ST_DistanceSphere查询表时，出现这样的错误：

scala> spark.sql("select * FROM poi_table WHERE (ST_DistanceSphere(the_geom, ST_GeomFromText('POINT(121.37796 31.208297)', 4326)) < 60)")
org.apache.spark.sql.AnalysisException: Undefined function: 'ST_DistanceSphere'. This function is neither a registered temporary function nor a permanent function registered in the database 'default'.; line 1 pos 65
  at
...

使用 Python，我可以创建一个 Postgresql 连接并将此查询发送到 Postgresql 服务器以执行它。

那么，在 Spark/Scala 中是否有类似的解决方法？
或者更好的是，我可以使用任何 jar 来启用支持 Postgis 扩展的 Spark SQL？

Answer 1

使用 Python，我可以创建一个 Postgresql 连接并将此查询发送到 Postgresql 服务器以执行它。

你可以用 Scala 做同样的事情。使用 JDBC (java.sql.{Connection,DriverManager}) 并获取结果集。

或者更好的是，我可以使用任何 jar 来启用支持 Postgis 扩展的 Spark SQL

你不能，因为这不是 Postgres 查询。您在spark.sql 中执行的是一个 Spark 查询。你可以做的是使用子查询：

• In Apache Spark 2.0.0, is it possible to fetch a query from an external database (rather than grab the whole table)?
• How to use SQL query to define table in dbtable?

也许它会满足您的要求（如果查询不必是动态的）。不幸的是，Spark SQL 也不支持几何类型，因此可能必须将其转换为 Spark 可以使用的东西或定义您自己的方言。