使用数据框架构的 Spark 地图数据框
Posted
技术标签:
【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。
【问题讨论】:
【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。
【讨论】:
【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:-)
【讨论】:
以上是关于使用数据框架构的 Spark 地图数据框的主要内容,如果未能解决你的问题,请参考以下文章