使用 Java API 创建一个简单的 1 行 Spark DataFrame

Question

在 Scala 中，我可以从内存中的字符串创建单行 DataFrame，如下所示：

val stringAsList = List("buzz")
val df = sqlContext.sparkContext.parallelize(jsonValues).toDF("fizz")
df.show()

当df.show()运行时，输出：

+-----+
| fizz|
+-----+
| buzz|
+-----+

现在我正在尝试从 Java class. 内部执行此操作，显然 JavaRDD 没有 toDF(String)方法。我试过：

List<String> stringAsList = new ArrayList<String>();
stringAsList.add("buzz");
SQLContext sqlContext = new SQLContext(sparkContext);
DataFrame df = sqlContext.createDataFrame(sparkContext
    .parallelize(stringAsList), StringType);
df.show();

...但似乎仍然不足。现在当 df.show(); 执行时，我得到：

++
||
++
||
++

（一个空的 DF。）所以我问：使用 Java API，如何将内存中的字符串读入 DataFrame其中只有 1 行和 1 列，并指定该列的名称？（以便 df.show() 与上面的 Scala 相同）？

Answer 1

您可以通过为 Rdd 创建 List 而不是创建将包含列名称的 Schema 来实现此目的。

可能还有其他方法，这只是其中一种。

List<String> stringAsList = new ArrayList<String>();
        stringAsList.add("buzz");

JavaRDD<Row> rowRDD = sparkContext.parallelize(stringAsList).map((String row) -> {
                return RowFactory.create(row);
            });

StructType schema = DataTypes.createStructType(new StructField[] { DataTypes.createStructField("fizz", DataTypes.StringType, false) });

DataFrame df = sqlContext.createDataFrame(rowRDD, schema).toDF();
df.show();

//+----+
|fizz|
+----+
|buzz|

Answer 2

如果您需要升级，我已经为 Spark 2 创建了 2 个示例：

简单 Fizz/Buzz（或 foe/bar - 老一代 :)）：

    SparkSession spark = SparkSession.builder().appName("Build a DataFrame from Scratch").master("local[*]")
            .getOrCreate();

    List<String> stringAsList = new ArrayList<>();
    stringAsList.add("bar");

    JavaSparkContext sparkContext = new JavaSparkContext(spark.sparkContext());

    JavaRDD<Row> rowRDD = sparkContext.parallelize(stringAsList).map((String row) -> RowFactory.create(row));

    // Creates schema
    StructType schema = DataTypes.createStructType(
            new StructField[] { DataTypes.createStructField("foe", DataTypes.StringType, false) });

    Dataset<Row> df = spark.sqlContext().createDataFrame(rowRDD, schema).toDF();

2x2 数据：

    SparkSession spark = SparkSession.builder().appName("Build a DataFrame from Scratch").master("local[*]")
            .getOrCreate();

    List<String[]> stringAsList = new ArrayList<>();
    stringAsList.add(new String[] { "bar1.1", "bar2.1" });
    stringAsList.add(new String[] { "bar1.2", "bar2.2" });

    JavaSparkContext sparkContext = new JavaSparkContext(spark.sparkContext());

    JavaRDD<Row> rowRDD = sparkContext.parallelize(stringAsList).map((String[] row) -> RowFactory.create(row));

    // Creates schema
    StructType schema = DataTypes
            .createStructType(new StructField[] { DataTypes.createStructField("foe1", DataTypes.StringType, false),
                    DataTypes.createStructField("foe2", DataTypes.StringType, false) });

    Dataset<Row> df = spark.sqlContext().createDataFrame(rowRDD, schema).toDF();

代码可以从以下网址下载：https://github.com/jgperrin/net.jgp.labs.spark。

Answer 3

基于@jgp 建议的内容。如果您想为 混合类型 执行此操作，您可以执行以下操作：

List<Tuple2<Integer, Boolean>> mixedTypes = Arrays.asList(
                new Tuple2<>(1, false),
                new Tuple2<>(1, false),
                new Tuple2<>(1, false));

JavaRDD<Row> rowRDD = sparkContext.parallelize(mixedTypes).map(row -> RowFactory.create(row._1, row._2));

StructType mySchema = new StructType()
                .add("id", DataTypes.IntegerType, false)
                .add("flag", DataTypes.BooleanType, false);

Dataset<Row> df = spark.sqlContext().createDataFrame(rowRDD, mySchema).toDF();

这可能有助于解决 @jdk2588 的问题。

Answer 4

这里post提供了一个不经过sparkContext.parallelize(...)的解决方案：https://timepasstechies.com/create-spark-dataframe-java-list/

使用 Java API 创建一个简单的 1 行 Spark DataFrame

Creating a simple 1-row Spark DataFrame with Java API

java

apache-spark

spark-dataframe