在 Spark 数据框中爆炸嵌套结构答案

【问题标题】：Exploding nested Struct in Spark dataframe在 Spark 数据框中爆炸嵌套结构
【发布时间】：2017-01-09 14:11:09
【问题描述】：

我正在研究一个 Databricks 示例。数据框的架构如下所示：

> parquetDF.printSchema
root
|-- department: struct (nullable = true)
|    |-- id: string (nullable = true)
|    |-- name: string (nullable = true)
|-- employees: array (nullable = true)
|    |-- element: struct (containsNull = true)
|    |    |-- firstName: string (nullable = true)
|    |    |-- lastName: string (nullable = true)
|    |    |-- email: string (nullable = true)
|    |    |-- salary: integer (nullable = true)

在示例中，他们展示了如何将员工列分解为 4 个附加列：

val explodeDF = parquetDF.explode($"employees") { 
case Row(employee: Seq[Row]) => employee.map{ employee =>
  val firstName = employee(0).asInstanceOf[String]
  val lastName = employee(1).asInstanceOf[String]
  val email = employee(2).asInstanceOf[String]
  val salary = employee(3).asInstanceOf[Int]
  Employee(firstName, lastName, email, salary)
 }
}.cache()
display(explodeDF)

我将如何对部门列做类似的事情（即向数据框中添加两个名为“id”和“name”的附加列）？方法不完全相同，我只能弄清楚如何使用以下方法创建一个全新的数据框：

val explodeDF = parquetDF.select("department.id","department.name")
display(explodeDF)

如果我尝试：

val explodeDF = parquetDF.explode($"department") { 
  case Row(dept: Seq[String]) => dept.map{dept => 
  val id = dept(0) 
  val name = dept(1)
  } 
}.cache()
display(explodeDF)

我收到警告和错误：

<console>:38: warning: non-variable type argument String in type pattern Seq[String] is unchecked since it is eliminated by erasure
            case Row(dept: Seq[String]) => dept.map{dept => 
                           ^
<console>:37: error: inferred type arguments [Unit] do not conform to    method explode's type parameter bounds [A <: Product]
  val explodeDF = parquetDF.explode($"department") { 
                                   ^

【问题讨论】：

标签： scala apache-spark apache-spark-sql distributed-computing databricks

【解决方案1】：

在我看来，最优雅的解决方案是使用 select 运算符对 Struct 进行星号扩展，如下所示：

var explodedDf2 = explodedDf.select("department.*","*")

https://docs.databricks.com/spark/latest/spark-sql/complex-types.html

【讨论】：

【解决方案2】：

你可以使用类似的东西：

var explodeDF = explodeDF.withColumn("id", explodeDF("department.id"))
explodeDeptDF = explodeDeptDF.withColumn("name", explodeDeptDF("department.name"))

你帮助我解决了这些问题：

【讨论】：

A 阶段失败：org.apache.spark.SparkException：作业因阶段失败而中止：阶段 41.0 中的任务 0 失败 4 次，最近一次失败：阶段 41.0 中的任务 0.3 丢失（TID 1403， 10.81.214.49): scala.MatchError: [[789012,Mechanical Engineering]] (of class org.apache.spark.sql.catalyst.expressions.GenericRowWithSchema)
@Feynman27 this 有帮助吗？它似乎与您的尝试相匹配。我认为我的答案的问题是employees 也有一个元素，而department 没有。
是的，employees 示例创建新行，而department 示例应该只创建两个新列。
相关问题：stackoverflow.com/questions/30008127/…
我们可以一次重命名所有嵌套列吗？例如，department.id -> inner_id, department.name -> inner_name, ...

【解决方案3】：

这似乎可行（尽管可能不是最优雅的解决方案）。

var explodeDF2 = explodeDF.withColumn("id", explodeDF("department.id"))
explodeDF2 = explodeDF2.withColumn("name", explodeDF2("department.name"))

【讨论】：

你可以val explodeDF2 = explodeDF.withColumn("id", explodeDF("department.id")).withColumn("name", explodeDF2("department.name"))