我有以下模式:
root
|-- id: string (nullable = true)
|-- date: timestamp (nullable = true)
|-- config: struct (nullable = true)
| |-- entry: array (nullable = true)
| | |-- element: struct (containsNull = true)
| | | |-- key: string (nullable = true)
| | | |-- value: string (nullable = true)
数组中不会有超过 3 个键值对 (k1,k2,k3(,我想将每个键的值放入其自己的列中,而相应的数据将来自同一 kv 对的值。
+--------+----------+----------+----------+---------+
|id |date |k1 |k2 |k3 |
+--------+----------+----------+----------+---------+
| id1 |2019-08-12|id1-v1 |id1-v2 |id1-v3 |
| id2 |2019-08-12|id2-v1 |id2-v2 |id2-v3 |
+--------+----------+----------+----------+---------+
到目前为止,我尝试了这样的事情:
sourceDF.filter($"someColumn".contains("SOME_STRING"))
.select($"id", $"date", $"config.entry" as "kvpairs")
.withColumn($"kvpairs".getItem(0).getField("key").toString(), $"kvpairs".getItem(0).getField("value"))
.withColumn($"kvpairs".getItem(1).getField("key").toString(), $"kvpairs".getItem(1).getField("value"))
.withColumn($"kvpairs".getItem(2).getField("key").toString(), $"kvpairs".getItem(2).getField("value"))
但在这种情况下,列名显示为kvpairs[0][key]
、kvpairs[1][key]
和kvpairs[2][key]
,如下所示:
+--------+----------+---------------+---------------+---------------+
|id |date |kvpairs[0][key]|kvpairs[1][key]|kvpairs[2][key]|
+--------+----------+---------------+---------------+---------------+
| id1 |2019-08-12| id1-v1 | id1-v2 | id1-v3 |
| id2 |2019-08-12| id2-v1 | id2-v2 | id2-v3 |
+--------+----------+---------------+---------------+---------------+
两个问题:
- 我的方法对吗?有没有更好、更简单的方法来解决这个问题 这样我每个数组得到一行,将 3 kv 对作为 3 列?我想处理 kv 对顺序可能不同的情况。
- 如果上述方法没问题,如何将列名别名化为数组中"key"元素的数据?
将多个withColumn
与getItem
一起使用是行不通的,因为 kv 对的顺序可能不同。相反,您可以做的是分解数组,然后按如下方式使用pivot
:
sourceDF.filter($"someColumn".contains("SOME_STRING"))
.select($"id", $"date", explode($"config.entry") as "exploded")
.select($"id", $"date", $"exploded.*")
.groupBy("id", "date")
.pivot("key")
.agg(first("value"))
此处聚合中first
的使用假定每个键都有一个值。否则可以使用collect_list
或collect_set
。
结果:
+---+----------+------+------+------+
|id |date |k1 |k2 |k2 |
+---+----------+------+------+------+
|id1|2019-08-12|id1-v1|id1-v2|id1-v3|
|id2|2019-08-12|id2-v1|id2-v2|id2-v3|
+---+----------+------+------+------+