spark scala中的固定长度解析

Question

我已经创建了数据框，输入是这样的：

   +-----------------------------------+
   |value                              |
   +-----------------------------------+
   |1   PRE123                    21   |
   |2   TEST                      32   |
   |7   XYZ                       .7   |
   +-----------------------------------+

并且根据下面的元数据信息，我们需要拆分上面的数据框并创建一个新的数据框，具有列名 id、name 和 class 并且它开始并在此给出索引位置json 元数据。

   {
    "columnName": "id",
    "start": 1,
    "end": 2
  },
  {
    "columnName": "name",
    "start": 5,
    "end": 10
  },
  {
    "columnName": "class",
    "start": 20,
    "end": 22
  }

输出：

  +---+------+-----+
  | id|  name|class|
  +---+------+-----+
  |  1|PRE123|   21|
  |  2|  TEST|   32|
  |  7|   XYZ|   .7|
  +---+------+-----+

为了加载 df，我创建了列表：

   list.+=(loadedDF.col("value").substr(fixedLength.getStart, (fixedLength.getEnd - fixedLength.getStart)).alias(fixedLength.getColumnName))

然后根据这个列表，我创建了数据框

var df: DataFrame = loadedDF.select(list: _*)

需要了解从元数据创建数据框的更好方法。由于创建的列表会将所有数据带到驱动程序节点。

Answer 1

如果我理解正确，你的要求是尝试从由任意数量的空格分隔的字符串中提取列。

这是一个带有 substr 函数的解决方案：

val df = Seq(
  ("1   PRE123         21"),
  ("2   TEST           32"),
  ("7   XYZ            .7"))
.toDF("value")

val colMetadata = Map("id" -> (1,2), "name" -> (5,10), "class" -> (20,22))

val columns = colMetadata.map { case (cname, meta) => 
  val len = meta._2 - meta._1   
  $"value".substr(meta._1, len).as(cname)
}.toSeq

df.select(columns:_*).show

当您没有使用拆分函数的列边界时的通用解决方案：

import org.apache.spark.sql.functions.split

val df = Seq(
  ("1   PRE123         21"),
  ("2   TEST           32"),
  ("7   XYZ            .7"))
.toDF("value")

val colNames = Seq("id", "name", "class")

val columns = colNames.zipWithIndex.map { case (cname, idx) =>
      split($"value", "\s+").getItem(idx).as(cname)
}

df.select(columns:_*).show

输出：

+---+------+-----+
| id|  name|class|
+---+------+-----+
|  1|PRE123|   21|
|  2|  TEST|   32|
|  7|   XYZ|   .7|
+---+------+-----+

请注意，我使用 \s+ 作为分隔符。这表示 一个或多个空格 .

的正则表达式

spark scala中的固定长度解析

Fixed length parsing in spark scala

scala

apache-spark

parsing

fixed-length-file