Spark - 将平面数据框映射到可配置的嵌套 json 模式

Question

我有一个包含 5-6 列的平面数据框。我想嵌套它们并将其转换为嵌套数据框，以便我可以将其写入镶木地板格式。

但是，我不想使用 case classes，因为我试图让代码尽可能地可配置。我坚持这部分，需要一些帮助。

我的输入：

ID ID-2 Count(apple) Count(banana) Count(potato) Count(Onion)

 1  23    1             0             2             0

 2  23    0             1             0             1

 2  29    1             0             1             0

我的输出：

第 1 行：

{
  "id": 1,
  "ID-2": 23,
  "fruits": {
    "count of apple": 1,
    "count of banana": 0
  },
  "vegetables": {
    "count of potato": 2,
    "count of onion": 0
  }
}

我尝试在 spark 数据框中使用 "map" 函数，我将我的值映射到一个案例 class。但是，我会尝试使用字段的名称，也可能会更改它们。

我不想维护一个案例 class 并将行映射到 sql 列名称，因为这每次都会涉及代码更改。

我正在考虑维护一个哈希图，其中包含我想与数据框的列名保持一致的列名。例如，在示例中，我将 "Count(apple)" 映射到 "count of apple"。但是，我想不出一个很好的简单方法来将我的架构作为配置传递，然后将其映射到我的代码中

Answer 1

::（双冒号）在 scala 中被视为 "cons" 在 scala 列表中。这是创建 Scala 列表或将元素插入现有可变列表的方法。

scala> val aList = 24 :: 34 :: 56 :: Nil
aList: List[Int] = List(24, 34, 56)

scala> 99 :: aList
res3: List[Int] = List(99, 24, 34, 56)

在第一个例子中，Nil 是一个空列表，被认为是最右边的 cons 操作的尾部。

但是

scala> val anotherList = 23 :: 34
<console>:12: error: value :: is not a member of Int
       val anotherList = 23 :: 34

这会引发错误，因为没有要插入的现有列表。

Answer 2

这是一种使用 scala Map 类型创建列映射的方法，使用以下数据集：

val data = Seq(
(1, 23, 1, 0, 2, 0),
(2, 23, 0, 1, 0, 1),
(2, 29, 1, 0, 1, 0)).toDF("ID", "ID-2", "count(apple)", "count(banana)", "count(potato)", "count(onion)")

首先我们使用 scala.collection.immutable.Map 集合和负责映射的函数声明映射：

import org.apache.spark.sql.{Column, DataFrame}

val colMapping = Map(
        "count(banana)" -> "no of banana", 
        "count(apple)" -> "no of apples", 
        "count(potato)" -> "no of potatos", 
        "count(onion)" -> "no of onions")

def mapColumns(colsMapping: Map[String, String], df: DataFrame) : DataFrame = {
       val mapping = df
         .columns
         .map{ c => if (colsMapping.contains(c)) df(c).alias(colsMapping(c)) else df(c)}
         .toList

        df.select(mapping:_*)
}

该函数遍历给定数据框的列，并识别与 mapping 具有公共键的列。然后它 returns 列根据应用的映射更改其名称（带有别名）。

mapColumns(colMapping, df).show(false) 的输出：

+---+----+------------+------------+-------------+------------+
|ID |ID-2|no of apples|no of banana|no of potatos|no of onions|
+---+----+------------+------------+-------------+------------+
|1  |23  |1           |0           |2            |0           |
|2  |23  |0           |1           |0            |1           |
|2  |29  |1           |0           |1            |0           |
+---+----+------------+------------+-------------+------------+

最后我们通过struct类型生成水果和蔬菜：

df1.withColumn("fruits", struct(col(colMapping("count(banana)")), col(colMapping("count(apple)"))))
.withColumn("vegetables", struct(col(colMapping("count(potato)")), col(colMapping("count(onion)"))))
.drop(colMapping.values.toList:_*)
.toJSON
.show(false)

请注意，我们在完成转换后删除了 colMapping 集合的所有列。

输出：

+-----------------------------------------------------------------------------------------------------------------+
|value                                                                                                            |
+-----------------------------------------------------------------------------------------------------------------+
|{"ID":1,"ID-2":23,"fruits":{"no of banana":0,"no of apples":1},"vegetables":{"no of potatos":2,"no of onions":0}}|
|{"ID":2,"ID-2":23,"fruits":{"no of banana":1,"no of apples":0},"vegetables":{"no of potatos":0,"no of onions":1}}|
|{"ID":2,"ID-2":29,"fruits":{"no of banana":0,"no of apples":1},"vegetables":{"no of potatos":1,"no of onions":0}}|
+-----------------------------------------------------------------------------------------------------------------+

Answer 3

val df = spark.sqlContext.read.option("header","true").csv("/sampleinput.txt")

val df1 = df.withColumn("fruits",struct("Count(apple)","Count(banana)") ).withColumn("vegetables",struct("Count(potato)","Count(Onion)")).groupBy("ID","ID-2").agg(collect_list("fruits") as "fruits",collect_list("vegetables") as "vegetables").toJSON 

df1.take(1)

输出：

{"ID":"2","ID-2":"23","fruits":[{"Count(apple)":"0","Count(banana)":"1"}],"vegetables":[{"Count(potato)":"0","Count(Onion)":"1"}]}

Spark - 将平面数据框映射到可配置的嵌套 json 模式

Spark - Map flat dataframe to a configurable nested json schema

json

scala

case-class

apache-spark