spark scala typesafe config安全迭代特定列名的值

Question

我在 Stackoverflow 上找到了类似的帖子。但是，我无法解决我的问题所以，这就是我写这篇文章的原因。

瞄准

目的是在加载 SQL 表（我使用 SQL Server）时执行列投影 [projection = filter columns]。

根据 scala 食谱，这是 [使用数组] 过滤列的方法：

sqlContext.read.jdbc(url,"person",Array("gender='M'"),prop)

但是，我不想在我的 Scala 代码中硬编码 Array("col1", "col2", ...) 这就是为什么我使用具有类型安全的配置文件（见下文）。

配置文件

dataset {
    type = sql
    sql{
        url = "jdbc://host:port:user:name:password"
        tablename = "ClientShampooBusinesLimited"
        driver = "driver"
        other = "i have a lot of other single string elements in the config file..."
        columnList = [
        {
            colname = "id"
            colAlias = "identifient"
        }
        {
            colname = "name"
            colAlias = "nom client"
        }
        {
            colname = "age"
            colAlias = "âge client"
        }
        ]
    }
}

让我们关注“columnList”：SQL 列的名称与“colname”完全对应。 'colAlias' 是我稍后将使用的字段。

data.scala 文件

lazy val columnList = configFromFile.getList("dataset.sql.columnList")
lazy val dbUrl = configFromFile.getList("dataset.sql.url")
lazy val DbTableName= configFromFile.getList("dataset.sql.tablename")
lazy val DriverName= configFromFile.getList("dataset.sql.driver")

configFromFile 是我自己在另一个自定义类中创建的。但这没关系。 columnList 的类型是“ConfigList”，这个类型来自于 typesafe。

主文件

def loadDataSQL(): DataFrame = {

val url = datasetConfig.dbUrl 
val dbTablename = datasetConfig.DbTableName
val dbDriver = datasetConfig.DriverName
val columns = // I need help to solve this


/* EDIT 2 march 2017
   This code should not be used. Have a look at the accepted answer.
*/
sparkSession.read.format("jdbc").options(
    Map("url" -> url,
    "dbtable" -> dbTablename,
    "predicates" -> columns,
    "driver" -> dbDriver))
    .load()
}

所以我所有的问题都是提取“colnames”值，以便将它们放入合适的数组中。有人可以帮我写出“val columns”的正确操作吗？

谢谢

Answer 1

如果您正在寻找一种将 colname 值列表读入 Scala 数组的方法 - 我认为可以这样做：

import scala.collection.JavaConverters._

val columnList = configFromFile.getConfigList("dataset.sql.columnList")
val colNames: Array[String] = columnList.asScala.map(_.getString("colname")).toArray

使用提供的文件，这将导致Array(id, name, age)

编辑： 至于您的实际目标，我实际上不知道任何名为 predication 的选项（我也无法在源代码中找到证据，使用 Spark 2.0.2）。

JDBC 数据源根据使用的查询中选择的实际列执行“投影下推”。换句话说 - 只有 selected 列将从 DB 中读取，因此您可以在创建 DF 后立即在 select 中使用 colNames 数组，例如：

import org.apache.spark.sql.functions._

sparkSession.read
  .format("jdbc")
  .options(Map("url" -> url, "dbtable" -> dbTablename, "driver" -> dbDriver))
  .load()
  .select(colNames.map(col): _*) // selecting only desired columns