Spark 2.0 隐式编码器，当类型为 Option[Seq[String]] 时处理缺失列（scala）

Question

当我们的数据源中缺少某些类型为 Option[Seq[String]] 的列时，我在编码数据时遇到了一些问题。理想情况下，我希望用 None 填充缺失的列数据。

场景：

我们正在读取一些镶木地板文件，其中包含 column1 但没有 column2.

我们将这些 parquet 文件中的数据加载到 Dataset，并将其转换为 MyType。

case class MyType(column1: Option[String], column2: Option[Seq[String]])

sqlContext.read.parquet("dataSource.parquet").as[MyType]

org.apache.spark.sql.AnalysisException: cannot resolve 'column2' given input columns: [column1];

有没有办法用 column2 数据创建数据集 None？

Answer 1

在简单的情况下，您可以提供一个初始模式，它是预期模式的超集。例如你的情况：

val schema = Seq[MyType]().toDF.schema

Seq("a", "b", "c").map(Option(_))
  .toDF("column1")
  .write.parquet("/tmp/column1only")

val df = spark.read.schema(schema).parquet("/tmp/column1only").as[MyType]
df.show

+-------+-------+
|column1|column2|
+-------+-------+
|      a|   null|
|      b|   null|
|      c|   null|
+-------+-------+

df.first

MyType = MyType(Some(a),None)

这种方法可能 有点脆弱 所以通常你应该使用 SQL 文字来填充空白：

spark.read.parquet("/tmp/column1only")
  // or ArrayType(StringType)
  .withColumn("column2", lit(null).cast("array<string>"))
  .as[MyType]
  .first

MyType = MyType(Some(a),None)

Spark 2.0 隐式编码器，当类型为 Option[Seq[String]] 时处理缺失列（scala）

Spark 2.0 implicit encoder, deal with missing column when type is Option[Seq[String]] (scala)

scala

apache-spark

apache-spark-dataset