根据列值对火花数据框进行分区?
Posted
技术标签:
【中文标题】根据列值对火花数据框进行分区?【英文标题】:Partition a spark dataframe based on column value? 【发布时间】:2017-12-11 09:19:25 【问题描述】:我有一个来自 sql 源的数据框,如下所示:
User(id: Long, fname: String, lname: String, country: String)
[1, Fname1, Lname1, Belarus]
[2, Fname2, Lname2, Belgium]
[3, Fname3, Lname3, Austria]
[4, Fname4, Lname4, Australia]
我想将此数据分区并写入csv文件,其中每个分区都基于国家/地区的首字母,因此白俄罗斯和比利时应该在输出文件中,奥地利和澳大利亚在其他文件中。
【问题讨论】:
【参考方案1】:解决此问题的另一种方法是首先创建一个仅包含每个国家/地区的首字母的列。完成此步骤后,您可以使用partitionBy
将每个分区保存到单独的文件中。
dataFrame.write.partitionBy("column").format("com.databricks.spark.csv").save("/path/to/dir/")
【讨论】:
这将在列值上创建分区,因此我们将为白俄罗斯和比利时提供单独的文件,而不是在一个文件中。 是的,正如我提到的,您需要首先创建一个包含国家/地区首字母的单独列。然后在该列上使用partitionBy
【参考方案2】:
你可以这样做
import org.apache.spark.sql.functions._
//create a dataframe with demo data
val df = spark.sparkContext.parallelize(Seq(
(1, "Fname1", "Lname1", "Belarus"),
(2, "Fname2", "Lname2", "Belgium"),
(3, "Fname3", "Lname3", "Austria"),
(4, "Fname4", "Lname4", "Australia")
)).toDF("id", "fname","lname", "country")
//create a new column with the first letter of column
val result = df.withColumn("countryFirst", split($"country", "")(0))
//save the data with partitionby first letter of country
result.write.partitionBy("countryFirst").format("com.databricks.spark.csv").save("outputpath")
已编辑: 您还可以使用 Raphel 建议的可以提高性能的子字符串作为
substring(Column str, int pos, int len)
子字符串从 pos 开始,是 str 为 String 类型时长度为 len 或返回字节切片 以字节为单位从 pos 开始的数组,当 str 为长度为 len 时 二进制类型
val result = df.withColumn("firstCountry", substring($"country",1,1))
然后使用 partitionby 和 write
希望这能解决您的问题!
【讨论】:
补充问题,做 df.withColumn 是否有性能损失,或者是否可以以更有效的方式完成? 你也可以用spark的substring
函数代替split
,我觉得这样更易读
我们可以用多列做到这一点吗?
这不会在输出数据中添加一个名为“countryFirst”的额外列吗?有没有办法在输出数据中没有该列,但仍按“countryFirst 列”对数据进行分区?一种天真的方法是迭代“countryFirst”的不同值,并根据“countryFirst”的不同值写入过滤数据。这样,您可以避免在输出中写入额外的列。我希望做得比这更好。以上是关于根据列值对火花数据框进行分区?的主要内容,如果未能解决你的问题,请参考以下文章