从 HBase 检索数据并将其格式化为 Scala Dataframe

Question

我正在尝试从 hbase table 获取数据到 apache spark 环境中，但我不知道如何格式化它。谁能帮帮我。

case class systems( rowkey: String, iacp: Option[String], temp: Option[String])

type Record = (String, Option[String], Option[String])

val hBaseRDD_iacp = sc.hbaseTable[Record]("test_table").select("iacp","temp").inColumnFamily("test_fam") 

scala> hBaseRDD_iacp.map(x => systems(x._1,x._2,x._3)).toDF().show()
+--------------+-----------------+--------------------+
|        rowkey|             iacp|                temp|
+--------------+-----------------+--------------------+
|           ab7|0.051,0.052,0.055| 17.326,17.344,17.21|
|           k6c|   0.056,NA,0.054|17.277,17.283,17.256|
|            ad|          NA,23.0|           24.0,23.6|
+--------------+-----------------+--------------------+

然而，我实际上想要它的格式如下。每个逗号分隔值都在新行中，每个 NA 被 null 值替换。 iacp 和 temp 列中的值应该是 float 类型。每行可以有不同数量的逗号分隔值。

提前致谢！

+--------------+-----------------+--------------------+
|        rowkey|             iacp|                temp|
+--------------+-----------------+--------------------+
|           ab7|            0.051|              17.326|
|           ab7|            0.052|              17.344|
|           ab7|            0.055|               17.21|
|           k6c|            0.056|              17.277|
|           k6c|             null|              17.283|
|           k6c|            0.054|              17.256|
|            ad|             null|                24.0|
|            ad|               23|                26.0|
+--------------+-----------------+--------------------+

Answer 1

您的 hBaseRDD_iacp.map(x => systems(x._1, x._2, x._3)).toDF 代码行应生成一个等效于以下内容的 DataFrame：

val df = Seq(
  ("ab7", Some("0.051,0.052,0.055"), Some("17.326,17.344,17.21")),
  ("k6c", Some("0.056,NA,0.054"), Some("17.277,17.283,17.256")),
  ("ad", Some("NA,23.0"), Some("24.0,23.6"))
).toDF("rowkey", "iacp", "temp")

要将数据集转换为想要的结果，您可以应用一个 UDF，将 iacp 和 temp CSV 字符串的元素配对，生成一个 (Option[Double], Option[Double]) 数组，即然后explode-ed，如下图：

import org.apache.spark.sql.functions._
import spark.implicits._

def pairUpCSV = udf{ (s1: String, s2: String) =>
  import scala.util.Try
  def toNumericArr(csv: String) = csv.split(",").map{
    case s if Try(s.toDouble).isSuccess => Some(s)
    case _ => None
  }
  toNumericArr(s1).zipAll(toNumericArr(s2), None, None)
}

df.
  withColumn("csv_pairs", pairUpCSV($"iacp", $"temp")).
  withColumn("csv_pair", explode($"csv_pairs")).
  select($"rowkey", $"csv_pair._1".as("iacp"), $"csv_pair._2".as("temp")).
  show(false)
// +------+-----+------+
// |rowkey|iacp |temp  |
// +------+-----+------+
// |ab7   |0.051|17.326|
// |ab7   |0.052|17.344|
// |ab7   |0.055|17.21 |
// |k6c   |0.056|17.277|
// |k6c   |null |17.283|
// |k6c   |0.054|17.256|
// |ad    |null |24.0  |
// |ad    |23.0 |23.6  |
// +------+-----+------+

请注意，值 NA 属于方法 toNumericArr 中的默认情况，因此不会作为单独的情况单独列出。此外，UDF 中使用 zipAll（而不是 zip）来涵盖 iacp 和 temp CSV 字符串具有不同元素大小的情况。

从 HBase 检索数据并将其格式化为 Scala Dataframe

Retrieve and format data from HBase to scala Dataframe

hbase

scala

apache-spark

apache-spark-sql