从 Pyspark 在 HDFS 中保存文件

Question

我有一个空表Hive我的意思是该表中没有记录。

使用这个空表，我在pyspark中创建了一个data frame

df = sqlContext.table("testing.123_test")

我已将此data frame注册为临时表

df.registerTempTable('mytempTable')
date=datetime.now().strftime('%Y-%m-%d %H:%M:%S')

在此表中，我有名为id的列。

现在我想像下面这样查询临时表

min_id = sqlContext.sql("select nvl(min(id),0) as minval from mytempTable").collect()[0].asDict()['minval']
max_id = sqlContext.sql("select nvl(max(id),0) as maxval from mytempTable").collect()[0].asDict()['maxval']

现在我想将date、min_id和max_id保存到一个文件中HDFS

我做了如下工作：

from pyspark.sql import functions as f
(sqlContext.table("myTempTable").select(f.concat_ws(",", f.first(f.lit(date)), f.min("id"), f.max("id"))).coalesce(1).write.format("text").mode("append").save("/tmp/fooo"))

现在，当我在HDFS中检查文件时，它会显示所有 NULL 值。

HDFS中的文件输出如下。

NULL,NULL,NULL

我想要的是

Date,0,0

Here date is the current timestamp

我怎样才能实现我想要的。

Answer 1

这是在scala中，但你应该能够轻松地将其复制到Python。 您在这里需要的功能是na.fill函数。你必须在下面的代码中用Python字典替换Scala Maps：

这是您的DF的样子：

scala> nullDF.show
+----+----+----+
|date|   x|   y|
+----+----+----+
|null|null|null|
+----+----+----+
// You have already done this using Python's datetime functions
val format = new java.text.SimpleDateFormat("dd/MM/YYYY HH:mm:ss")
val curr_timestamp = format.format(new java.util.Date())
//Use na fill to replace null values
//Column names as keys in map
//And values are what you want to replace NULL with
val df = nullDF.na.fill(scala.collection.immutable.Map(
"date" -> ) ,
"x" -> "0" ,
"y" -> "0" ) )

这应该给你

+-------------------+---+---+
|               date|  x|  y|
+-------------------+---+---+
|10/06/2017 12:10:20|  0|  0|
+-------------------+---+---+