pyspark 有条件地解析固定宽度的文本文件答案

【问题标题】：pyspark conditionally parse fixed width text filepyspark 有条件地解析固定宽度的文本文件
【发布时间】：2018-12-18 15:55:31
【问题描述】：

所以我有一个固定宽度的文件，直到其中的某个变量检查某个变量是“01”还是“02”，我才会知道它的格式。所以我试图创造这样的东西：

myreport= spark.read.text("/mnt/path/mydata")
myreport= myreport.select(myreport.value.substr(1,3).alias('client'),
myreport.value.substr(4,2).alias('rptnum'),
if rptnum = '01', then
myreport.value.substr(6,2).cast('integer').alias('mo1'),
myreport.value.substr(8,2).cast('integer').alias('mo2'),
myreport.value.substr(12,2).cast('integer').alias('mo3'),
Else
myreport.value.substr(6,2).cast('integer').alias('mo1'),
myreport.value.substr(8,2).cast('integer').alias('mo2'),
myreport.value.substr(12,2).cast('integer').alias('mo3'),
myreport.value.substr(14,2).cast('integer').alias('mo4'),
myreport.value.substr(16,2).cast('integer').alias('mo5'),
myreport.value.substr(18,2).cast('integer').alias('mo6'),

如果 rpt 编号不是 01，基本上列数会加倍。非常不确定如何在 pyspark 中执行此操作

【问题讨论】：

标签： python apache-spark pyspark fixed-width

【解决方案1】：

您将编写将从df.rdd.map() 调用的函数并转换/解析每一行。您可以创建相同数量的列，但在一种情况下，某些列将为空。在 rptnum 上使用filter()，您可以分离出行并选择相应的列。

from pyspark.sql.functions import *
from pyspark.sql import *

def transformRow(row):
    value = row['value']
    client = value[1:4]
    rptnum = value[4:6]
    rowDict = {'client': client, 'rptnum': rptnum,'mo1': None,'mo2': None,'mo3': None,'mo4': None,'mo5': None,'mo6': None}
    rowDict['mo1'] = value[6:8]
    rowDict['mo2'] = value[8:10]
    rowDict['mo3'] = value[10:12]

    if rptnum != '01' :
        rowDict['mo4'] = value[12:14]
        rowDict['mo5'] = value[14:16]
        rowDict['mo6'] = value[16:18]
    return Row(**rowDict)

myreport= spark.read.text("/mnt/path/mydata")
myreport = myreport.rdd.map(transformRow).toDF()

rpt1 = myreport.filter(col("rptnum") == '01').select("mo1","mo2","mo3")
rpt2 = myreport.filter(col("rptnum") != '01')

【讨论】：