数据从csv格式传输到Databricks中的Redis哈希格式

Question

我有一个Azure系统，它分为三个部分：

1. Azure数据湖存储，我有一些csv文件
2. Azure Databricks，我需要做一些处理——确切地说，就是将csv文件转换为Redis哈希格式
3. Azure Redis缓存应该将转换后的数据放在哪里

在databricks文件系统中安装存储后，需要处理一些数据。如何将databricks文件系统中的csv数据转换为redisHash格式，并正确地将其放入Redis？具体来说，我不知道如何通过下面的代码进行正确的映射。或者，可能有某种方式可以额外传输到SQL表，但我找不到。

以下是我在scala上编写的代码示例：

import com.redislabs.provider.redis._
val redisServerDnsAddress = "HOST"
val redisPortNumber = 6379
val redisPassword = "Password"
val redisConfig = new RedisConfig(new RedisEndpoint(redisServerDnsAddress, redisPortNumber, redisPassword))

val data = spark.read.format("com.databricks.spark.csv").option("header", "true").option("inferSchema", "true").load("/mnt/staging/data/file.csv")
// What is the right way of mapping?
val ds = table("data").select("Prop1", "Prop2", "Prop3", "Prop4", "Prop5" ).distinct.na.drop().map{x =>
(x.getString(0), x.getString(1), x.getString(2), x.getString(3), x.getString(4))
}
sc.toRedisHASH(ds, "data")

错误：

error: type mismatch;
found   : org.apache.spark.sql.Dataset[(String, String)]
required: org.apache.spark.rdd.RDD[(String, String)]
sc.toRedisHASH(ds, "data")

如果我用这种方式写最后一个代码串：

sc.toRedisHASH(ds.rdd, "data")

错误：

org.apache.spark.sql.AnalysisException: Table or view not found: data;

Answer 1

准备一些示例数据以模拟从CSV文件加载的数据。

val rdd = spark.sparkContext.parallelize(Seq(Row("1", "2", "3", "4", "5", "6", "7")))
val structType = StructType(
Seq(
StructField("Prop1", StringType),
StructField("Prop2", StringType),
StructField("Prop3", StringType),
StructField("Prop4", StringType),
StructField("Prop5", StringType),
StructField("Prop6", StringType),
StructField("Prop7", StringType)
)
)
val data = spark.createDataFrame(rdd, structType)

转换：

val transformedData = data.select("Prop1", "Prop2", "Prop3", "Prop4", "Prop5").distinct.na.drop()

将数据帧写入Redis，使用Prop1作为键，data作为Redis表名。参见文档

transformedData
.write
.format("org.apache.spark.sql.redis")
.option("key.column", "Prop1")
.option("table", "data")
.mode(SaveMode.Overwrite)
.save()

检查Redis:中的数据

127.0.0.1:6379> keys data:*
1) "data:1"
127.0.0.1:6379> hgetall data:1
1) "Prop5"
2) "5"
3) "Prop2"
4) "2"
5) "Prop4"
6) "4"
7) "Prop3"
8) "3"