spark - scala：不是 org.apache.spark.sql.Row 的成员

Question

我正在尝试将数据帧转换为 RDD，然后对 return 元组执行以下操作：

df.rdd.map { t=>
 (t._2 + "_" + t._3 , t)
}.take(5)

然后我得到了下面的错误。谁有想法？谢谢！

<console>:37: error: value _2 is not a member of org.apache.spark.sql.Row
               (t._2 + "_" + t._3 , t)
                  ^

Answer 1

当您将 DataFrame 转换为 RDD 时，您会得到一个 RDD[Row]，因此当您使用 map 时，您的函数会收到一个 Row 作为参数。因此，必须使用Row方法访问其成员（注意索引从0开始）：

df.rdd.map { 
  row: Row => (row.getString(1) + "_" + row.getString(2), row)
}.take(5)

您可以查看更多示例并查看 Spark scaladoc 中 Row 个对象可用的所有方法。

编辑：我不知道你做这个操作的原因，但是为了连接 DataFrame 的字符串列，你可以考虑以下选项：

import org.apache.spark.sql.functions._
val newDF = df.withColumn("concat", concat(df("col2"), lit("_"), df("col3")))

Answer 2

您可以像访问 List 或 Array 一样访问 Row 的每个元素，这意味着使用 (index)，但是您可以使用方法 get也。

例如：

df.rdd.map {t =>
  (t(2).toString + "_" + t(3).toString, t)
}.take(5)

spark - scala: not a member of org.apache.spark.sql.Row