将 URI 查询字符串转换为 PySpark 中的结构键值数组

Question

我在 PySpark 中有一个 DataFrame，其中有一列 URI 查询字符串 (StringType)，如下所示：

+--------------+ 
| cs_uri_query |
+--------------+
| a=1&b=2&c=3  |
+--------------+
| d&e=&f=4     |
+--------------+

我需要将此列转换为具有以下结构的 StructField 元素的 ArrayType：

ArrayType(StructType([StructField('key', StringType(), nullable=False),
                      StructField('value', StringType(), nullable=True)]))

我期望的专栏是这样的：

+------------------------------------------------------------+ 
| cs_uri_query                                               |
+------------------------------------------------------------+
| [{key=a, value=1},{key=b, value=2},{key=c, value=3}]       |
+------------------------------------------------------------+
| [{key=d, value=null},{key=e, value=null},{key=f, value=4}] |
+------------------------------------------------------------+

UDF 是我发现实现此目的的唯一方法。我正在使用纯 Spark 函数，如果可能的话，我想避免使用 UDF ... UDF 在 PySpark 上的性能很差，这与在 Scala lang 上使用 Spark 不同。

这是我使用 UDF 的代码：

def parse_query(query):
    args = None
    if query:
        args = []
        for arg in query.split("&"):
            if arg:
                if "=" in arg:
                    a = arg.split("=")
                    if a[0]:
                        v = a[1] if a[1] else None
                        args.append({"key": a[0], "value": v})
                else:
                    args.append({"key": arg, "value": None})
    return args

uri_query = ArrayType(StructType([StructField('key', StringType(), nullable=True),
                                  StructField('value', StringType(), nullable=True)]))

udf_parse_query = udf(lambda args: parse_query(args), uri_query)

df = df.withColumn("cs_uri_query", udf_parse_query(df["cs_uri_query"]))

谁能用惊人的解决方案让我大开眼界？

Answer 1

对于 Spark 2.4+，您可以通过 & split 然后使用 transform 函数将每个元素 key=value 转换为 struct(key, value):

from pyspark.sql.functions import expr

df = spark.createDataFrame([("a=1&b=2&c=3",), ("d&e=&f=4",)], ["cs_uri_query"])

transform_expr = """transform(split(cs_uri_query, '&'),
                 x -> struct(split(x, '=')[0] as key, split(x, '=')[1] as value)
                 )
                 """

df.withColumn("cs_uri_query", expr(transform_expr)).show(truncate=False)

#+------------------------+
#|cs_uri_query            |
#+------------------------+
#|[[a, 1], [b, 2], [c, 3]]|
#|[[d,], [e, ], [f, 4]]   |
#+------------------------+

编辑

如果要过滤掉 null 或空的键，则可以将 filter 与上述转换表达式一起使用：

transform_expr = """filter(transform(split(cs_uri_query, '&'),
                                     x -> struct(split(x, '=')[0] as key, split(x, '=')[1] as value)
                           ),
                           x -> ifnull(x.key, '') <> ''
                    )
                 """

将 URI 查询字符串转换为 PySpark 中的结构键值数组

Convert a URI query string to an Array of Struct key-value in PySpark

dataframe

apache-spark

pyspark

pyspark-sql

url-parsing