将 parquet 读入 spark 数据集，忽略缺失的字段

Question

假设我创建了一个 parquet 文件，如下所示：

case class A (i:Int,j:Double,s:String)

var l1 = List(A(1,2.0,"s1"),A(2,3.0,"S2"))

val ds = spark.createDataset(l1)
ds.write.parquet("/tmp/test.parquet")

是否可以将它读入具有不同模式的类型的数据集中，其中唯一的区别是几个附加字段？

例如：

case class B (i:Int,j:Double,s:String,d:Double=1.0)  // d is extra and has a default value 

有什么方法可以让我完成这项工作吗？ :

val ds2 = spark.read.parquet("/tmp/test.parquet").as[B]

Answer 1

在 Spark 中，如果数据集的模式与所需的 U 类型不匹配，您可以使用 select 和 alias 或 as 根据需要重新排列或重命名。这意味着以下代码可以工作：

val ds2 = spark.read.parquet("/tmp/test.parquet").as[B]

需要进行以下修改：

val ds2 = spark.read.parquet("/tmp/test.parquet").withColumn("d", lit(1D)).as[B]

或者，如果无法创建额外的列，则可以执行以下操作：

val ds2 = spark.read.parquet("/tmp/test.parquet").map{
  case row => B(row.getInt(0), row.getDouble(1), row.getString(2))
}