Select 以特定模式开头的字段：Spark XML 解析

Question

我不得不解析一些非常大的 xml 文件。我想提取这些 xml 文件中的几个字段，然后对它们执行一些操作。但是，我需要遵循一些规则，即如果它们遵循特定模式，我只能 select 个字段。

这是我正在努力实现的示例：

// Some made up data
val schema = new StructType()
      .add("devices", 
        new StructType()
          .add("thermostats", MapType(StringType,
            new StructType()
              .add("device_id", StringType)
              .add("locale", StringType)
              .add("E2EDK1000", StringType)
              .add("E2EDK2000", StringType)
              .add("E2EDK3000", StringType))))

val nestDataDS2 = Seq("""{
    "devices": {
      "thermostats": {
          "peyiJNo0IldT2YlIVtYaGQ": {
            "device_id": "peyiJNo0IldT2YlIVtYaGQ",
            "locale": "en-US",
            "E2EDK1000": "4.0",
            "E2EDK2000": "VqFabWH21nwVyd4RWgJgNb292wa7hG_dUwo2i2SG7j3-BOLY0BA4sw",
            "E2EDK3000": "Hallway Upstairs"}}}}""").toDS
val nestDF2 = spark
            .read
            .schema(nestSchema2)
            .json(nestDataDS2.rdd)

root
 |-- devices: struct (nullable = true)
 |    |-- thermostats: map (nullable = true)
 |    |    |-- key: string
 |    |    |-- value: struct (valueContainsNull = true)
 |    |    |    |-- device_id: string (nullable = true)
 |    |    |    |-- locale: string (nullable = true)
 |    |    |    |-- E2EDK1000: string (nullable = true)
 |    |    |    |-- E2EDK2000: string (nullable = true)
 |    |    |    |-- E2EDK3000: string (nullable = true)

鉴于此，我想进入值字段，所以我执行以下操作

val tmp = nestDF2.select($"devices.thermostats.value")
root
 |-- value: struct (nullable = true)
 |    |-- device_id: string (nullable = true)
 |    |-- locale: string (nullable = true)
 |    |-- E2EDK1000: string (nullable = true)
 |    |-- E2EDK2000: string (nullable = true)
 |    |-- E2EDK3000: string (nullable = true)

这是我的问题：我想 select value 中以以下模式 E2EDK1 开头的所有字段。但是，我坚持如何做到这一点。这是我想要的最终结果：

root
 |-- E2EDK1000: string (nullable = true)

我知道我可以 select 那个领域，但在我处理的数据中，E2EDK1000 并不总是存在的。永远存在的是 E2EDK1。

我试过使用 startsWith() 但这似乎不起作用，例如

val tmp2 = tmp
  .select($"value".getItem(_.startsWith("E2EDK1")))

Answer 1

可以使用.*将value列的所有元素select分到单独的列中，过滤掉所有以E2EDK1开头的元素名，最后过滤掉select只有那些列如下

//flattens the struct value column to separate columns
val tmp = nestDF2.select($"devices.thermostats.value.*")
//filter in the column names that starts with E2EDK1
val e2edk1Columns = tmp.columns.filter(_.startsWith("E2EDK1"))
//select only the columns that starts with E2EDK1
tmp.select(e2edk1Columns.map(col):_*)

它应该为您提供以 E2EDK1 开头的 value struct column 的所有元素作为单独的列。对于给定的示例，您应该输出

+---------+
|E2EDK1000|
+---------+
|null     |
+---------+

root
 |-- E2EDK1000: string (nullable = true)

如果需要，您可以将它们组合回 struct

Select 以特定模式开头的字段：Spark XML 解析

Select Fields that start with a certain pattern: Spark XML Parsing

scala

apache-spark

apache-spark-sql

apache-spark-xml