使用 Java 在 Apache Spark 中从数据集中复制一行 n 次

Posted

技术标签:

【中文标题】使用 Java 在 Apache Spark 中从数据集中复制一行 n 次【英文标题】:Replicating a row from a Dataset n times in Apache Spark using Java 【发布时间】:2017-09-29 00:35:14 【问题描述】:

我正在尝试从数据集中复制一行 n 次并从中创建一个新数据集。但是,在复制时,我需要为每次复制更改列的值,因为最终存储时它将成为主键。

以下是来自 SO 帖子的 Scala 代码:Replicate Spark Row N-times

import org.apache.spark.sql.functions._

val result = singleRowDF
  .withColumn("dummy", explode(array((1 until 100).map(lit): _*)))
  .selectExpr(singleRowDF.columns: _*)

如何从 Java 中的值数组创建一列并将其传递给爆炸函数?建议很有帮助。

谢谢

【问题讨论】:

【参考方案1】:

这是从数据集中复制一行 n 次的 Java 程序。

import static org.apache.spark.sql.functions.col;
import static org.apache.spark.sql.functions.explode;
import static org.apache.spark.sql.functions.lit;

import java.util.ArrayList;
import java.util.List;
import java.util.stream.IntStream;

import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Encoders;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.SparkSession;

public class SparkSample
    public static void main(String[] args) 
        SparkSession spark = SparkSession
                .builder()
                .appName("SparkSample")
                .master("local[*]")
                .getOrCreate();
        //Create Dataset
        List<Tuple2<String,Double>> inputList = new ArrayList<Tuple2<String,Double>>();
        inputList.add(new Tuple2<String,Double>("A",1.0));
        Dataset<Row> df = spark.createDataset(inputList, Encoders.tuple(Encoders.STRING(), Encoders.DOUBLE())).toDF();
        df.show(false);
        //Java 8 style of creating Array. You can create by using for loop as well
        int[] array = IntStream.range(0, 5).toArray();
        //With Dummy Column
        Dataset<Row> df1 = df.withColumn("dummy", explode(lit(array)));
        df1.show(false);
        //Drop Dummy Column
        Dataset<Row> df2 = df1.drop(col("dummy"));
        df2.show(false);
    

下面是这个程序的输出。

+---+---+
|_1 |_2 |
+---+---+
|A  |1.0|
+---+---+

+---+---+-----+
|_1 |_2 |dummy|
+---+---+-----+
|A  |1.0|0    |
|A  |1.0|1    |
|A  |1.0|2    |
|A  |1.0|3    |
|A  |1.0|4    |
+---+---+-----+

+---+---+
|_1 |_2 |
+---+---+
|A  |1.0|
|A  |1.0|
|A  |1.0|
|A  |1.0|
|A  |1.0|
+---+---+

【讨论】:

感谢示例代码!我将检查它如何针对大量行(数百万行)进行扩展。

以上是关于使用 Java 在 Apache Spark 中从数据集中复制一行 n 次的主要内容,如果未能解决你的问题,请参考以下文章

如何在 Apache Spark ML API 中从“DataFrame”创建一个“Vector”?

如何在 Spark 中从 cassandra datastax 云中读取数据

在 spark java api( org.apache.spark.SparkException ) 中使用 filter(),map(),... 时出错

如何在 Apache-Spark 2.x 中使用 java 进行增量序列

使用java开发spark的wordcount程序

如何在 java 中使用 Apache spark 计算中位数和众数?