如何使用 SparkR 取消嵌套数据？

Question

使用SparkR嵌套数组怎么会是"exploded along"？我试过像这样使用 explode：

 dat <- nested_spark_df %>% 
     mutate(a=explode(metadata)) %>%
     head()

但是上面虽然不会抛出异常，但是并没有将metadata中的嵌套字段提升到顶层。本质上，我正在寻求类似于 Hive 的 LATERAL VIEW explode() 功能的行为，而不依赖于 HiveContext.

请注意，在代码片段中，我使用的是通过 SparkRext 启用的 NSE。我认为等效的直接 SparkR 会像 ... %>% mutate(a=explode(nested_spark_df$metadata)) ... 或类似的东西。

编辑

我试过在 SparkR::sql 函数中使用 LATERAL VIEW explode(...)。它似乎适用于 Parquet 和 ORC 数据。但是，在处理嵌套的 Avro 数据时，我尝试了：

dat <- collect(sql(HiveContext,
                   paste0("SELECT a.id, ax.arrival_airport, x.arrival_runway ",
                          "FROM avrodb.flight a ",  
                             "LATERAL VIEW explode(a.metadata) a AS ax ",
                          "WHERE ax.arrival_airport='ATL'")))

只是得到以下错误，尽管当用包含等效数据的 parquetdb 换出 avrodb 时，它符合我的预期。

Error in invokeJava(isStatic = TRUE, className, methodName, ...) :
  org.apache.spark.SparkException: Job aborted due to stage failure: Task 4 in stage 5.0 failed 4 times, most recent failure: Lost task 4.3 in stage 5.0 (TID 1345, dev-dn04.myorg.org): org.apache.avro.AvroTypeException: Found metadata, expecting union
    at org.apache.avro.io.ResolvingDecoder.doAction(ResolvingDecoder.java:292)
    at org.apache.avro.io.parsing.Parser.advance(Parser.java:88)
    at org.apache.avro.io.ResolvingDecoder.readIndex(ResolvingDecoder.java:267)
    at org.apache.avro.generic.GenericDatumReader.read(GenericDatumReader.java:155)
    at org.apache.avro.generic.GenericDatumReader.readArray(GenericDatumReader.java:219)
    at org.apache.avro.generic.GenericDatumReader.read(GenericDatumReader.java:153)
    at org.apache.avro.generic.GenericDatumReader.read(GenericDatumReader.java:155)
    at org.apache.avro.generic.GenericDatumReader.readField(GenericDatumReader.java:193)
    at org.apache.avro.generic.GenericDatumReader.readRecord(GenericDatumReader.java:183)
    at org.apache.avr
Calls: <Anonymous> ... collect -> collect -> .local -> callJStatic -> invokeJava

尽管事实上我在启动 Spark 时包含了 DataBricks Avro 包。使用 SQLContext（而不是 HiveContext）用 spark 读取相同的数据工作正常，除了我还没有弄清楚如何有效地使用 explode() 函数。我还确认这不是数据本身的问题，方法是使用我尝试过的相同 HQL 语句通过 Hive 成功查询相同的文件运行 SparkR::sql(HiveContext, hql)

Answer 1

此时，在 dplyr 中使用数组列是很棘手的，例如，请参阅 this issue. Probably best to use explode() via Spark. Also note that there is overhead associated with using the DSL version of explode (see this answer) 因此您可能希望通过 sql().[=14 使用 SQL 形式=]

Answer 2

非常感谢@Sim。不过，我终于想出了一个明智的方法。关键是在 explode 操作之后，当所有分解值仍然嵌套一层时，必须执行 select。例如：

dat <- nested_spark_df %>% 
 mutate(a=explode(nested_spark_df$metadata)) %>%
 select("id", "a.fld1", "a.fld2")

这将产生一个包含 3 列的 SparkR DataFrame 对象：id、fld1 和 fld2（没有 a. 前缀）。

我的心理障碍是我试图让 explode 表现得像 PIG 的 flatten，它会在架构的顶层创建一堆新的字段名称。

如何使用 SparkR 取消嵌套数据？

How to unnest data with SparkR?

r

apache-spark

hive

sparkr

编辑