使用数据框架构的 Spark 地图数据框

Posted 2023-04-17

【中文标题】使用数据框架构的 Spark 地图数据框

【英文标题】：Spark map dataframe using the dataframe's schema

【发布时间】：2016-05-27 14:06:12

【问题描述】：

我有一个从 JSON 对象创建的数据框。我可以查询这个数据框并将其写入 parquet。

由于我推断架构，我不一定知道数据框中的内容。

有没有办法将列名取出或使用自己的架构映射数据框？

// The results of SQL queries are DataFrames and support all the normal  RDD operations.
// The columns of a row in the result can be accessed by field index:
df.map(t => "Name: " + t(0)).collect().foreach(println)

// or by field name:
df.map(t => "Name: " + t.getAs[String]("name")).collect().foreach(println)

// row.getValuesMap[T] retrieves multiple columns at once into a Map[String, T]
df.map(_.getValuesMap[Any](List("name", "age"))).collect().foreach(println)
// Map("name" -> "Justin", "age" -> 19)

我想做类似的事情

df.map (_.getValuesMap[Any](ListAll())).collect().foreach(println)
// Map ("name" -> "Justin", "age" -> 19, "color" -> "red")

不知道列的实际数量或名称。

【参考方案1】：

好吧，你可以，但结果相当无用：

val df = Seq(("Justin", 19, "red")).toDF("name", "age", "color")

def getValues(row: Row, names: Seq[String]) = names.map(
  name => name -> row.getAs[Any](name)
).toMap

val names = df.columns
df.rdd.map(getValues(_, names)).first

// scala.collection.immutable.Map[String,Any] = 
//   Map(name -> Justin, age -> 19, color -> red)

要获得真正有用​​的东西，需要在 SQL 类型和 Scala 类型之间进行适当的映射。在简单的情况下并不难，但在一般情况下很难。例如，有一个内置类型可用于表示任意struct。这可以使用一点元编程来完成，但可以说不值得大惊小怪。

【参考方案2】：

您可以使用隐式编码器并在 DataFrame 本身上执行映射：

implicit class DataFrameEnhancer(df: DataFrame) extends Serializable 
    implicit val encoder = RowEncoder(df.schema)

    implicit def mapNameAndAge(): DataFrame = 
       df.map(row => (row.getAs[String]("name") -> row.getAs[Int]("age")))
    

然后在你的数据框上调用它：

val df = Seq(("Justin", 19, "red")).toDF("name", "age", "color")
df.mapNameAndAge().first

这样，您不必将 DataFrame 转换为 RDD（在某些情况下，您不想从磁盘加载整个 DF，只加载一些列，但是 RDD 转换迫使您这样做无论如何。另外，您使用的是 Encoder 而不是 Kryo（或其他 Java SerDes），速度要快得多。

希望对你有帮助:-)