将嵌套 Spark DataFrame 中的列提取为 scala 数组答案

【问题标题】：Extract columns in nested Spark DataFrame as scala Arrays将嵌套 Spark DataFrame 中的列提取为 scala 数组
【发布时间】：2017-12-06 13:57:39
【问题描述】：

我有一个 DataFrame myDf，其中包含一组点对（即 x 和 y 坐标），它具有以下架构：

myDf.printSchema

root
 |-- pts: array (nullable = true)
 |    |-- element: struct (containsNull = true)
 |    |    |-- x: float (nullable = true)
 |    |    |-- y: float (nullable = true)

我想获得 x 和 y 作为单独的普通 Scala Array's。我想我需要应用爆炸功能，但我不知道如何。我尝试应用this 解决方案，但无法正常工作。

我正在使用 Spark 1.6.1 和 Scala 2.10

编辑：我意识到我误解了 Spark 的工作原理，只有在收集数据（或使用 UDF）时才能获取实际数组

【问题讨论】：

标签： scala apache-spark

【解决方案1】：

假设myDf 是从json 文件中读取的DataFrame：

{
 "pts":[
    {
     "x":0.0,
     "y":0.1
    },
    {
     "x":1.0,
     "y":1.1
    },
    {
     "x":2.0,
     "y":2.1
    }
  ]
}

你可以这样explode：

Java：

DataFrame pts = myDf.select(org.apache.spark.sql.functions.explode(df.col("pts")).as("pts"))
                    .select("pts.x", "pts.y");
pts.printSchema();
pts.show();

斯卡拉：

// Sorry I don't know Scala
// I just interpreted from the above Java code
// Code here may have some mistakes
val pts = myDf.select(explode($"pts").as("pts"))
              .select($"pts.x", $"pts.y")
pts.printSchema()
pts.show()

这是打印出来的架构：

root
 |-- x: double (nullable = true)
 |-- y: double (nullable = true)

这是pts.show() 结果：

+---+---+
|  x|  y|
+---+---+
|0.0|0.1|
|1.0|1.1|
|2.0|2.1|
+---+---+

【讨论】：

感谢提问者和回答者。你们让我很开心。使用 spark-xml 时我脱发了，你的解决方案很糟糕；-)

【解决方案2】：

有两种方法可以将积分作为plan scala Arrays：

收集给司机：

val localRows = myDf.take(10)
val xs: Array[Float] = localRows.map(_.getAs[Float]("x"))
val ys: Array[Float] = localRows.map(_.getAs[Float]("y"))

或在 UDF 内：

val processArr = udf((pts:WrappedArray[Row]) => {

  val xs: Array[Float] = pts.map(_.getAs[Float]("x")).array
  val ys: Array[Float] = pts.map(_.getAs[Float]("y")).array
  //...do something with it
})

}

【讨论】：