火花爆炸功能未按预期工作答案

【问题标题】：Spark explode function not working as expected火花爆炸功能未按预期工作
【发布时间】：2020-08-28 20:54:54
【问题描述】：

我正在尝试扁平化一个复杂的 XML 结构，下面是 XML 文件 -

<root>
<ATS  name="exp_Change_Rec">
<EXP1>
<EXP1INT >
<ExPFLDs>
<ExPFLD  precision="10" name="COL1" output="true"/>
<ExPFLD  precision="20" name="COL2" output="true"/>
<ExPFLD  precision="30" name="COL3" output="true"/>
<ExPFLD  precision="40" name="COL4" output="true"/>
</ExPFLDs>
</EXP1INT>
</EXP1>
</ATS>

<ATS  name="exp_Change_Flag">
<EXP1>
<EXP1INT >
<ExPFLDs>
<ExPFLD precision="10" name="COL5" output="true"/>
<ExPFLD precision="20" name="COL6" output="true"/>
<ExPFLD precision="30" name="COL7" output="true"/>
</ExPFLDs>
</EXP1INT>
</EXP1>
</ATS>
</root>

我期望输出为 -

Name                  Value
exp_Change_Rec        COL1
exp_Change_Rec        COL2
exp_Change_Rec        COL3
exp_Change_Rec        COL4
exp_Change_Flag       COL5
exp_Change_Flag       COL6
exp_Change_Flag       COL7

我正在通过 databricks spark xml 执行，但它正在创建某种笛卡尔连接 -

import org.apache.spark.sql.SparkSession
import com.databricks.spark.xml.
val df1 = spark.read.option("rowTag", "root").xml("file:///home/sv-infopcdq/spark/sample.xml")
val df2 = df1.withColumn("_name", explode($"ATS._name"))
df2.withColumn("COL_NAMES", explode($"ATS.EXP1.EXP1INT.ExPFLDs.ExPFLD")).show(100)

+--------------------+---------------+--------------------+
|                 ATS|          _name|           COL_NAMES|
+--------------------+---------------+--------------------+
|[[[[[[[, COL1, tr...| exp_Change_Rec|[[, COL1, true, 2...|
|[[[[[[[, COL1, tr...| exp_Change_Rec|[[, COL5, true,],...|
|[[[[[[[, COL1, tr...|exp_Change_Flag|[[, COL1, true, 2...|
|[[[[[[[, COL1, tr...|exp_Change_Flag|[[, COL5, true,],...|

在这里，我看到 COL1 同时发出了 exp_Change_Rec 和 exp_Change_Flag。请有任何建议。

当我尝试分解一列时，输出工作正常，但是当我尝试分解所有列时，它显示笛卡尔连接

如果我希望输出为

  Name                   Value    Precision
    exp_Change_Rec        COL1      10
    exp_Change_Rec        COL2      20
    exp_Change_Rec        COL3      30
    exp_Change_Rec        COL4      40
    exp_Change_Flag       COL5      10
    exp_Change_Flag       COL6      20
    exp_Change_Flag       COL7      30

如果我想扩展正确答案以在其中包含“精度”，它不起作用 -

xml_df.withColumn("_name", ($"_name"))
    .withColumn("COL_NAMES",explode($"EXP1.EXP1INT.ExPFLDs.ExPFLD._name")
.withColumn("COL_NAMES",explode($"EXP1.EXP1INT.ExPFLDs.ExPFLD._precision")).drop("EXP1")
      .select($"_name".as("Name"), $"COL_NAMES".as("Value"))

请在同一级别上展开多个列的任何解决方法？

【问题讨论】：

标签： scala apache-spark databricks

【解决方案1】：

首先，您需要更正您的rootTag 和rowTag 才能继续进行。由于您使用rowtag 作为父/根标签，即（root），因此它正在将整个 XML 视为一条记录...这就是您获得单块记录而不是单独记录格式的地方...请参阅下面的实现细节。

我使用了explode 函数，我选择了您想要的确切列，如下所示...

 val xml_df = spark.read.
      format("com.databricks.spark.xml")
      .option("rootTag", "root")
      .option("rowTag", "ATS")
      .option("nullValue","")
      .load(f.getAbsolutePath)
      xml_df.show
    xml_df.printSchema()

   val test =  xml_df.withColumn("_name", ($"_name"))
    .withColumn("COL_NAMES",explode($"EXP1.EXP1INT.ExPFLDs.ExPFLD._name")).drop("EXP1")
      .select($"_name".as("Name"), $"COL_NAMES".as("Value"))
    test.printSchema()
    test.show(100,false)

你的预期输出：

+--------------------+---------------+
|                EXP1|          _name|
+--------------------+---------------+
|[[[[[, COL1, true...| exp_Change_Rec|
|[[[[[, COL5, true...|exp_Change_Flag|
+--------------------+---------------+

root
 |-- EXP1: struct (nullable = true)
 |    |-- EXP1INT: struct (nullable = true)
 |    |    |-- ExPFLDs: struct (nullable = true)
 |    |    |    |-- ExPFLD: array (nullable = true)
 |    |    |    |    |-- element: struct (containsNull = true)
 |    |    |    |    |    |-- _VALUE: string (nullable = true)
 |    |    |    |    |    |-- _name: string (nullable = true)
 |    |    |    |    |    |-- _output: boolean (nullable = true)
 |    |    |    |    |    |-- _precision: long (nullable = true)
 |-- _name: string (nullable = true)

root
 |-- Name: string (nullable = true)
 |-- Value: string (nullable = true)

+---------------+-----+
|Name           |Value|
+---------------+-----+
|exp_Change_Rec |COL1 |
|exp_Change_Rec |COL2 |
|exp_Change_Rec |COL3 |
|exp_Change_Rec |COL4 |
|exp_Change_Flag|COL5 |
|exp_Change_Flag|COL6 |
|exp_Change_Flag|COL7 |
+---------------+-----+

【讨论】：

【解决方案2】：

爆炸多列的解决方案是使用

df.select(explode(arrays_zip($"col1",$col2))).select( $"col.*").show(20,false)

此解决方案从 2.4+ 开始提供

【讨论】：