如何在pyspark /中的结构内爆炸结构中的内部数组

Posted 2023-04-15

【中文标题】如何在pyspark /中的结构内爆炸结构中的内部数组

【英文标题】：How to explode inner arrays in a struct inside a struct in pyspark/

【发布时间】：2018-09-26 23:57:57

【问题描述】：

我是新来的火花。我曾尝试在struct 内爆炸array。 JSON 循环有点复杂，如下所示。

"id": 1,
"firstfield": "abc",
"secondfield": "zxc",
"firststruct": 
    "secondstruct": 
        "firstarray": [
            "firstarrayfirstfield": "asd",
            "firstarraysecondfield": "dasd",
            "secondarray": [
                "score": " 7 "
            ]
        ]
    

我正在尝试访问secondarray 字段下的score 字段，以便能够计算一些指标并得出每个id 的平均分数。

【参考方案1】：

如果您使用的是 Glue，那么您应该将 DynamicFrame 转换为 Spark 的 DataFrame，然后使用explode 函数：

from pyspark.sql.functions import col, explode

scoresDf = dynamicFrame.toDF
  .withColumn("firstExplode", explode(col("firststruct.secondstruct.firstarray")))
  .withColumn("secondExplode", explode(col("firstExplode.secondarray")))
  .select("secondExplode.score") 

scoresDyf = DynamicFrame.fromDF(scoresDf, glueContext, "scoresDyf")

【讨论】：

18/09/27 13:43:20 信息 MemoryStore：MemoryStore 已清除 18/09/27 13:43:20 信息 BlockManager：BlockManager 已停止 18/09/27 13:43:20 信息 ShutdownHookManager : 称为 End of LogType:stderr

的关闭挂钩

这是脚本在日志中返回的内容并打印模式

我提供的代码不打印模式。如果您愿意，可以添加scoresDf.printSchema()。日志看起来不错

很抱歉给您带来了困惑。我已经完成了这个 scoresDf.printSchema() ，其中包含打印模式

如果删除.select("secondExplode.score")，它会打印什么吗？