如何从单个字符串列 RDD 中有效地提取多列？

Question

我有一个包含 20 多列的文件，我想从中提取一些。到目前为止，我有以下代码。我确信有一种聪明的方法可以做到这一点，但无法让它成功运行。有什么想法吗？

mvnmdata 是 RDD[String] 类型

val strpcols = mvnmdata.map(x => x.split('|')).map(x => (x(0),x(1),x(5),x(6),x(7),x(8),x(9),x(10),x(11),x(12),x(13),x(14),x(15),x(16),x(17),x(18),x(19),x(20),x(21),x(22),x(23) ))```

Answer 1

下一个解决方案提供了一种简单且可扩展的方式来管理您的列名和索引。它基于确定列名/索引关系的映射。该地图还将帮助我们处理提取列的索引及其名称。

import org.apache.spark.sql.Row
import org.apache.spark.sql.types.{StringType, StructType, StructField}

val rdd = spark.sparkContext.parallelize(Seq(
"1|500|400|300",
"1|34|67|89",
"2|10|20|56",
"3|2|5|56",
"3|1|8|22"))

val dictColums = Map("c0" -> 0, "c2" -> 2)

// create schema from map keys
val schema = StructType(dictColums.keys.toSeq.map(StructField(_, StringType, true)))

val mappedRDD = rdd.map{line => line.split('|')}
                    .map{
                      cols => Row.fromSeq(dictColums.values.toSeq.map{cols(_)})
                    }

val df = spark.createDataFrame(mappedRDD, schema).show

//output
+---+---+
| c0| c2|
+---+---+
|  1|400|
|  1| 67|
|  2| 20|
|  3|  5|
|  3|  8|
+---+---+

• 首先我们声明dictColums，在本例中，我们将提取列“c0”-> 0 和“c2”-> 2
• 接下来我们根据地图的键创建架构
• 第一个映射（您已经拥有）将用| 分割行，第二个映射将创建一个Row，其中包含与dictColums.values 的每个项目对应的值

更新：

您还可以从上述功能创建一个函数，以便能够多次重复使用它：

import org.apache.spark.sql.DataFrame

def stringRddToDataFrame(colsMapping: Map[String, Int], rdd: RDD[String]) : DataFrame = {
  val schema = StructType(colsMapping.keys.toSeq.map(StructField(_, StringType, true)))

  val mappedRDD = rdd.map{line => line.split('|')}
                    .map{
                      cols => Row.fromSeq(colsMapping.values.toSeq.map{cols(_)})
                    }

  spark.createDataFrame(mappedRDD, schema)
}

然后将其用于您的情况：

val cols = Map("c0" -> 0, "c1" -> 1, "c5" -> 5, ... "c23" -> 23)

val df = stringRddToDataFrame(cols, rdd)

Answer 2

如下，如果不想写重复的x(i)，可以循环处理。示例 1：

val strpcols = mvnmdata.map(x => x.split('|'))
  .map(x =>{
    val xbuffer = new ArrayBuffer[String]()
    for (i <- Array(0,1,5,6...)){
      xbuffer.append(x(i))
    }
    xbuffer
  })

如果您只想定义带有 start&end 的索引列表以及要排除的数字，请参见下面的示例 2：

scala> (1 to 10).toSet
res8: scala.collection.immutable.Set[Int] = Set(5, 10, 1, 6, 9, 2, 7, 3, 8, 4)

scala> ((1 to 10).toSet -- Set(2,9)).toArray.sortBy(row=>row)
res9: Array[Int] = Array(1, 3, 4, 5, 6, 7, 8, 10)

你想要的最终代码：

  //define the function to process indexes
  def getSpecIndexes(start:Int, end:Int, removedValueSet:Set[Int]):Array[Int] = {
    ((start to end).toSet -- removedValueSet).toArray.sortBy(row=>row)
  }

  val strpcols = mvnmdata.map(x => x.split('|'))
    .map(x =>{
      val xbuffer = new ArrayBuffer[String]()
      //call the function
      for (i <- getSpecIndexes(0,100,Set(3,4,5,6))){
        xbuffer.append(x(i))
      }
      xbuffer
    })