如何解决在 spark 中分解多个数组列以更改输入模式
以下是我的示例架构。
|-- provider: string (nullable = true)
|-- product: string (nullable = true)
|-- asset_name: string (nullable = true)
|-- description: string (nullable = true)
|-- creation_date: string (nullable = true)
|-- provider_id: string (nullable = true)
|-- asset: string (nullable = true)
|-- asset_clas: string (nullable = true)
|-- Actors: array (nullable = true)
| |-- element: string (containsNull = false)
|-- Actors_display: array (nullable = true)
| |-- element: string (containsNull = false)
|-- Audio_Type: array (nullable = true)
| |-- element: string (containsNull = false)
|-- Billing_ID: array (nullable = true)
| |-- element: string (containsNull = false)
|-- Bit_Rate: array (nullable = true)
| |-- element: string (containsNull = false)
|-- CA_rating: array (nullable = true)
| |-- element: string (containsNull = false)
我需要分解所有数组类型的列。我有大约 80 多列并且这些列一直在变化。 我目前正在使用explode(array_zip)
val df= sourcedf.select($"provider",$"asset_name",$"description",$"creation_date",$"provider_id",$"asset_id",$"asset_class",$"product",$"eligible_platform",$"actors",$"category",explode_outer(arrays_zip($"Actors_display",$"Audio_Type",$"Billing_ID",$"Bit_Rate",$"CA_rating")
val parsed_output = df.select(col("provider"),("asset_name"),col("description"),col("creation_date"),col("product"),col("provider"),col("povider_id"),col("asset_id"),col("asset_class"),col("col.Actors_display"),col("col.Audio_Type"),col("col.Billing_ID"),col("col.Bit_Rate"),col("col.CA_rating"))
通过使用,我可以得到上面的输出。但这仅适用于一个特定文件。就我而言,会经常添加新列。那么,是否有任何函数可以分解多列以更改架构并从文件中选择非数组列。 谁能举个例子
注意:只有数组列不断变化,其余的将保持不变。
以下是样本数据
<?xml version="1.0" encoding="UTF-8" standalone="yes"?>
<ADIL>
<Meta>
<AMS Asset_Name="asd" Provider="Level" Product="MOTD" Version_Major="1" Version_Minor="0" Description="ZXC" Creation_Date="2009-12-03" Provider_ID="qwer.com" Asset_ID="A12we" Asset_Class="package"/>
<App_Data App="MOD" Name="Actors" Value="CableLa1.1"/>
<App_Data App="MOD" Name="Actors_display" Value="RTY"/>
<App_Data App="MOD" Name="Audio_Type" Value="FGH"/>
</Meta>
<Asset>
<Meta>
<AMS Asset_Name="bnm" Provider="Level Film" Product="MOTD" Version_Major="1" Version_Minor="0" Description="bnj7" Creation_Date="2009-12-03" Provider_ID="levelfilm.com" Asset_ID="DDDB0610072533182333" Asset_Class="title"/>
App_Data App="rt" Name="Billing_ID" Value="2020-12-29T00:00:00"/>
<App_Data App="MOD" Name="Bit_Rate" Value="2021-12-29T23:59:59"/>
<App_Data App="MOD" Name="CA_rating" Value="16.99"/>
</Meta>
<Asset>
<Meta>
<AMS Asset_Name="atysd" Provider="Level1" Product="MOTD2" Version_Major="1" Version_Minor="0" Description="ZXCY" Creation_Date="2009-12-03" Provider_ID="qweDFtrr.com" Asset_ID="A12FGwe" Asset_Class="review"/>
这是xml数据。最初,解析此数据并将所有名称属性值转换为列名称,并将所有“值”属性值转换为列名称的值。这个 XML 有重复的标签,所以解析后的最终结果是数组列,我在解析逻辑的最后使用了 collect_list。
这是解析后的示例输出。
+-------------------+-------------------+-----------------+------------+--------------+
|Actors |Actors_display |Audio_Type |Billing_ID |Bit_rate
+-------------+---------------+-----------------------------------------+------------
|["movie","cinema",] | ["Dolby 5.1"] | ["High","low"] | ["GAR15"]| ["15","14"]
+-------------+-----+-------------------+-----------------+--------------+----------
解决方法
假设您要分解所有 ArrayType 列(否则,相应地进行过滤):
val df = Seq(
(1,"xx",Seq(10,20),Seq("a","b"),Seq("p","q")),(2,"yy",Seq(30,40),Seq("c","d"),Seq("r","s"))
).toDF("c1","c2","a1","a2","a3")
import org.apache.spark.sql.types.{StructField,ArrayType}
val arrCols = df.schema.fields
.collect{case StructField(name,_: ArrayType,_,_) => name}
.map(col)
val otherCols = df.columns.map(col) diff arrCols
df.withColumn("arr_zip",explode_outer(arrays_zip(arrCols: _*)))
.select(otherCols.toList ::: $"arr_zip.*" :: Nil: _*)
.show
+---+---+---+---+---+
| c1| c2| a1| a2| a3|
+---+---+---+---+---+
| 1| xx| 10| a| p|
| 1| xx| 20| b| q|
| 2| yy| 30| c| r|
| 2| yy| 40| d| s|
+---+---+---+---+---+
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。