用逗号拆分 Dataset<Row> 上的字符串列并获取新的 Dataset<Row>

Question

我正在使用 Spark(2.0) 开发 Spark SQL 并使用 Java API 读取 CSV。

CSV 文件中有一个双引号、逗号分隔的列。例如："Express Air,Delivery Truck"

用于读取 CSV 和 returning 数据集的代码：

Dataset<Row> df = spark.read()
                .format("com.databricks.spark.csv")
                .option("inferSchema", "true")
                .option("header", "true")
                .load(filename)

结果：

+-----+--------------+--------------------------+
|Year |       State  |                Ship Mode |...
+-----+--------------+--------------------------+
|2012 |New York      |Express Air,Delivery Truck|...
|2013 |Nevada        |Delivery Truck            |...
|2013 |North Carolina|Regular Air,Delivery Truck|...
+-----+--------------+--------------------------+

但是，我想将 Shop Mode 拆分为 Mode1 和 Mode2 列，并将 return 作为数据集拆分。

+-----+--------------+--------------+---------------+
|Year |       State  |     Mode1    |         Mode2 |...
+-----+--------------+--------------+---------------+
|2012 |New York      |Express Air   |Delivery Truck |...
|2013 |Nevada        |Delivery Truck|null           |...
|2013 |North Carolina|Regular Air   |Delivery Truck |...
+-----+--------------+--------------+---------------+

有什么方法可以使用 Java Spark 做到这一点吗？

我尝试使用 MapFunction，但 call() 方法没有 returning Row。 Ship Mode 将是动态的，即 CSV 可能包含一种或两种运输模式。

谢谢。

Answer 1

您可以使用 selectExpr，select 的变体，它接受 SQL 表达式，像这样：

df.selectExpr("Year","State","split(Ship Mode, ',')[0] as Mode1","split(Ship Mode, ',')[1] as Mode2");

结果是行数据集。

Answer 2

我们可以：

定义一个用户定义函数 (UDF) 以仅执行一次拆分操作
使用 select 表达式将拆分列映射到两个新列

例如：

import org.apache.spark.sql.functions._
import org.apache.spark.sql.{Column, Row}

val splitter = udf((str: String) => {
  val splitted = str.split(",").lift
  Array(splitted(0), splitted(1))
})

val dfShipMode = df.select($"year",$"state", splitter($"shipMode") as "modes")
                   .select($"year", $"state", $"modes"(0) as "mode1", $"modes"(1) as "mode2")

用逗号拆分 Dataset<Row> 上的字符串列并获取新的 Dataset<Row>

Split String Column on the Dataset<Row> with comma and get new Dataset<Row>

java

apache-spark

apache-spark-sql

spark-dataframe