如何使用 Scala 在 Spark 中从列表或数组创建行

Question

我正在尝试根据用户输入创建行 (org.apache.spark.sql.catalyst.expressions.Row)。我无法随机创建行。

是否有从 List 或 Array.

创建行的功能

例如，如果我有一个具有以下格式的 .csv 文件，

"91xxxxxxxxxx,21.31,15,0,0"

如果用户输入 [1, 2] 那么我只需要取第二列和第三列以及第一列 customer_id

我尝试用代码解析它：

val l3 = sc.textFile("/SparkTest/abc.csv").map(_.split(" ")).map(r => (foo(input,r(0)))) `

其中 foo 定义为

def f(n: List[Int], s: String) : Row = {
    val n = input.length
    var out = new Array[Any](n+1)
    var r = s.split(",")
    out(0) = r(0)
    for (i <- 1 to n)
        out(i) = r(input(i-1)).toDouble
    Row(out)
}

并且输入是一个列表说

val input = List(1,2)

执行此代码我得到 l3 为：

Array[org.apache.spark.sql.Row] = Array([[Ljava.lang.Object;@234d2916])

但我想要的是：

Array[org.apache.spark.sql.catalyst.expressions.Row] = Array([9xxxxxxxxxx,21.31,15])`

必须传递此信息才能在 Spark 中创建模式 SQL

Answer 1

像下面这样的东西应该可以工作：

import org.apache.spark.sql._

def f(n: List[Int], s: String) : Row =
  Row.fromSeq(s.split(",").zipWithIndex.collect{case (a,b) if n.contains(b) => a}.toSeq)

Answer 2

您缺少 StructField 和 StructType 的创建。请参阅官方指南 http://spark.apache.org/docs/latest/sql-programming-guide.html，第 部分以编程方式指定架构

我不是 Scala 专家，但在 Python 中它看起来像这样：

from pyspark.sql import *
sqlContext = SQLContext(sc)

input = [1,2]

def parse(line):
    global input
    l = line.split(',')
    res = [l[0]]
    for ind in input:
        res.append(l[ind])
    return res

csv  = sc.textFile("file:///tmp/inputfile.csv")
rows = csv.map(lambda x: parse(x))

fieldnum = len(input) + 1
fields = [StructField("col"+str(i), StringType(), True) for i in range(fieldnum)]
schema = StructType(fields)

csvWithSchema = sqlContext.applySchema(rows, schema)
csvWithSchema.registerTempTable("test")
sqlContext.sql("SELECT * FROM test").collect()

简而言之，您不应该直接将它们转换为 Row 对象，只需保留为 RDD 并使用 applySchema

对其应用模式即可

Answer 3

您也可以试试：

    Row.fromSeq(line(0).toString ++ line(1).toDouble ++ line(2).toDouble ++ line.slice(2, line.size).map(value => value.toString))

如何使用 Scala 在 Spark 中从列表或数组创建行

How to create a Row from a List or Array in Spark using Scala

scala

apache-spark

apache-spark-sql