根据分隔符拆分字符串列并为 Pyspark 中的每个值创建列

Question

我有 1000 多个文件，数据格式如下：

a|b|c|clm4=1|clm5=3
a|b|c|clm4=9|clm6=60|clm7=23

我想读取它并将其转换为数据框，如下所示：

clm1|clm2|clm3|clm4|clm5|clm6|clm7
a|b|c|1|3|null|null
a|b|c|9|null|60|23

我试过以下方法：

files = [f for f in glob.glob(pathToFile + "/**/*.txt.gz", recursive=True)]
df = spark.read.load(files, format='csv', sep = '|', header=None)

但它给了我以下结果：

clm1, clm2, clm3, clm4, clm5
a, b, c, 1, 3
a, b, c, 9, null

Answer 1

对于 Spark 2.4+，您可以将文件作为单个列读取，然后按 | 拆分。您将获得一个可以使用 higher-order functions:

进行转换的数组列

df.show(truncate=False)

+----------------------------+
|clm                         |
+----------------------------+
|a|b|c|clm4=1|clm5=3         |
|a|b|c|clm4=9|clm6=60|clm7=23|
+----------------------------+

我们使用 transform 函数将我们从 clm 列拆分得到的字符串数组转换为结构数组。每个结构包含列名（如果存在）（检查字符串是否包含 =）或将其命名为 clm + (i+1)，其中 i 是其位置。

transform_expr = """
transform(split(clm, '[|]'), (x, i) -> 
                   struct(
                         IF(x like '%=%', substring_index(x, '=', 1), concat('clm', i+1)), 
                         substring_index(x, '=', -1)
                         )
        )
"""

现在使用map_from_entries将数组转换为映射。最后，展开地图并旋转以获得您的列

df.select("clm", 
          explode(map_from_entries(expr(transform_expr))).alias("col_name", "col_value")
         ) \
  .groupby("clm").pivot('col_name').agg(first('col_value')) \
  .drop("clm") \
  .show(truncate=False)

给出：

+----+----+----+----+----+----+----+
|clm1|clm2|clm3|clm4|clm5|clm6|clm7|
+----+----+----+----+----+----+----+
|a   |b   |c   |9   |null|60  |23  |
|a   |b   |c   |1   |3   |null|null|
+----+----+----+----+----+----+----+

根据分隔符拆分字符串列并为 Pyspark 中的每个值创建列

Split string column based on delimiter and create columns for each value in Pyspark

python

apache-spark

apache-spark-sql

pyspark

pyspark-dataframes