代码之家 › 专栏 › 技术社区 › underwood

在Spark 2中使用flatmap分解Cassandra UDT。x(Scala)

apache-spark-2.2 spark-cassandra-connector cassandra apache-spark scala

underwood · 技术社区 · 7 年前

我在Cassandra(3.11.2)中有数据,这也是我的df:

卡桑德拉数据:

id | some_data  
-- | ---------  
1  | [{s1:"str11", s2:"str12"},{s1:"str13", s2:"str14"}]
2  | [{s1:"str21", s2:"str22"},{s1:"str23", s2:"str24"}]
3  | [{s1:"str31", s2:"str32"},{s1:"str33", s2:"str44"}]

df详细信息:

 df.printSchema() 
    //|  |-- id: integer (nullable = true)
    //|  |-- some_data: array (nullable = true)
    //|  |    |-- element: struct (containsNull = true)
    //|  |    |    |-- s1: string (nullable = true)
    //|  |    |    |-- s2: string (nullable = true)

这里,Cassandra模式定义为:

id:字符串
某些\u数据:列出冻结的测试\u udt创建为--> 创建类型测试。测试\u udt( s1文本, s2文本 );

我正在使用spark cassandra连接器2.0从cassandra中提取数据,以便在spark 2.2.1上进行处理。

所需输出

输出为df的分解形式

id | some_data                                          | s1    | s2  
-- | ---------------------------------------------------| ----- | ---- 
1  | [{s1:"str11", s2:"str12"},{s1:"str13", s2:"str14"}]| str11 | str12
1  | [{s1:"str11", s2:"str12"},{s1:"str13", s2:"str14"}]| str13 | str14 
2  | [{s1:"str21", s2:"str22"},{s1:"str23", s2:"str24"}]| str21 | str22
2  | [{s1:"str21", s2:"str22"},{s1:"str23", s2:"str24"}]| str23 | str24
3  | [{s1:"str31", s2:"str32"},{s1:"str33", s2:"str44"}]| str31 | str32
3  | [{s1:"str31", s2:"str32"},{s1:"str33", s2:"str44"}]| str33 | str34

我过去的做法

我使用了spark cassandra连接器1.6和spark 1.6,我对上述问题有一个简洁的解决方案:

import org.apache.spark.sql.functions._    
case class my_data(s1 : String, s2 : String)

val flatData = df.explode(df("some_data")){
            case Row(x : Seq[Row]) =>
                x.map(x =>
                    my_data(
                        x.apply(0).asInstanceOf[String], 
                        x.apply(1).asInstanceOf[String]
                    ))
                  }
flatData.show()

在我们升级到2之后。x、我在使用时出错 explode 作用spark文件说 爆炸 已弃用。 flatMap 建议作为 爆炸 。

问题:

如何在Scala中分解数据帧以获得与以前相同的结果?
如何使用 flatmap ?

1 回复 | 直到 7 年前

philantrovert 7 年前

您可以使用 explode function 也建议将其作为 爆炸 方法 getItem 用于从 struct 我叫它名字。

df.withColumn("exploded" , explode($"some_data"))
  .withColumn("s1" , $"exploded".getItem("s1"))
  .withColumn("s2" , $"exploded".getItem("s2"))
  .drop("exploded")
  .show(false)

//+---+------------------------------+-----+-----+
//|id |some_data                     |s1   |s2   |
//+---+------------------------------+-----+-----+
//|1  |[[str11,str12], [str13,str14]]|str11|str12|
//|1  |[[str11,str12], [str13,str14]]|str13|str14|
//|2  |[[str21,str22], [str23,str24]]|str21|str22|
//|2  |[[str21,str22], [str23,str24]]|str23|str24|
//|3  |[[str31,str32], [str33,str44]]|str31|str32|
//|3  |[[str31,str32], [str33,str44]]|str33|str44|
//+---+------------------------------+-----+-----+