Запрос Spark SQL DataFrame со сложными типами

Как я могу запросить RDD со сложными типами, такими как карты / массивы? например, когда я писал этот тестовый код:

case class Test(name: String, map: Map[String, String])
val map = Map("hello" -> "world", "hey" -> "there")
val map2 = Map("hello" -> "people", "hey" -> "you")
val rdd = sc.parallelize(Array(Test("first", map), Test("second", map2)))

Я думал, что синтаксис будет примерно таким:

sqlContext.sql("SELECT * FROM rdd WHERE map.hello = world")

sqlContext.sql("SELECT * FROM rdd WHERE map[hello] = world")

но я получаю

Невозможно получить доступ к вложенному полю в типе MapType (StringType, StringType, true)

а также

org.apache.spark.sql.catalyst.errors.package $ TreeNodeException: Неразрешенные атрибуты

соответственно.

dvir 04.02.2015 источник

comment

Я поддержал принятый ответ, это отличный источник для всех способов запроса сложных полей. В качестве краткого справочника для тех, кто это делает: причина, по которой map[hello] не работает, заключается в том, что ключ является строковым полем, поэтому вы должны указать его: map['hello']. - Tristan Reid 24.05.2021

Ответы (3)

arrow_upward
193
arrow_downward

Это зависит от типа колонны. Начнем с фиктивных данных:

import org.apache.spark.sql.functions.{udf, lit}
import scala.util.Try

case class SubRecord(x: Int)
case class ArrayElement(foo: String, bar: Int, vals: Array[Double])
case class Record(
  an_array: Array[Int], a_map: Map[String, String], 
  a_struct: SubRecord, an_array_of_structs: Array[ArrayElement])


val df = sc.parallelize(Seq(
  Record(Array(1, 2, 3), Map("foo" -> "bar"), SubRecord(1),
         Array(
           ArrayElement("foo", 1, Array(1.0, 2.0, 2.0)),
           ArrayElement("bar", 2, Array(3.0, 4.0, 5.0)))),
  Record(Array(4, 5, 6), Map("foz" -> "baz"), SubRecord(2),
         Array(ArrayElement("foz", 3, Array(5.0, 6.0)), 
               ArrayElement("baz", 4, Array(7.0, 8.0))))
)).toDF

df.registerTempTable("df")
df.printSchema

// root
// |-- an_array: array (nullable = true)
// |    |-- element: integer (containsNull = false)
// |-- a_map: map (nullable = true)
// |    |-- key: string
// |    |-- value: string (valueContainsNull = true)
// |-- a_struct: struct (nullable = true)
// |    |-- x: integer (nullable = false)
// |-- an_array_of_structs: array (nullable = true)
// |    |-- element: struct (containsNull = true)
// |    |    |-- foo: string (nullable = true)
// |    |    |-- bar: integer (nullable = false)
// |    |    |-- vals: array (nullable = true)
// |    |    |    |-- element: double (containsNull = false)

столбцы массива (ArrayType):

Column.getItem метод

df.select($"an_array".getItem(1)).show

// +-----------+
// |an_array[1]|
// +-----------+
// |          2|
// |          5|
// +-----------+

Синтаксис скобок улья:

sqlContext.sql("SELECT an_array[1] FROM df").show

// +---+
// |_c0|
// +---+
// |  2|
// |  5|
// +---+

UDF

val get_ith = udf((xs: Seq[Int], i: Int) => Try(xs(i)).toOption)

df.select(get_ith($"an_array", lit(1))).show

// +---------------+
// |UDF(an_array,1)|
// +---------------+
// |              2|
// |              5|
// +---------------+

Помимо перечисленных выше методов, Spark поддерживает постоянно растущий список встроенных функций, работающих со сложными типами. Известные примеры включают функции более высокого порядка, такие как transform (SQL 2.4+, Scala 3.0+, PySpark / SparkR 3.1+):
```
df.selectExpr("transform(an_array, x -> x + 1) an_array_inc").show
// +------------+
// |an_array_inc|
// +------------+
// |   [2, 3, 4]|
// |   [5, 6, 7]|
// +------------+

import org.apache.spark.sql.functions.transform

df.select(transform($"an_array", x => x + 1) as "an_array_inc").show
// +------------+
// |an_array_inc|
// +------------+
// |   [2, 3, 4]|
// |   [5, 6, 7]|
// +------------+
```

filter (SQL 2.4+, Scala 3.0+, Python / SparkR 3.1+)

df.selectExpr("filter(an_array, x -> x % 2 == 0) an_array_even").show
// +-------------+
// |an_array_even|
// +-------------+
// |          [2]|
// |       [4, 6]|
// +-------------+

import org.apache.spark.sql.functions.filter

df.select(filter($"an_array", x => x % 2 === 0) as "an_array_even").show
// +-------------+
// |an_array_even|
// +-------------+
// |          [2]|
// |       [4, 6]|
// +-------------+

aggregate (SQL 2.4+, Scala 3.0+, PySpark / SparkR 3.1+):

df.selectExpr("aggregate(an_array, 0, (acc, x) -> acc + x, acc -> acc) an_array_sum").show
// +------------+
// |an_array_sum|
// +------------+
// |           6|
// |          15|
// +------------+

import org.apache.spark.sql.functions.aggregate

df.select(aggregate($"an_array", lit(0), (x, y) => x + y) as "an_array_sum").show
// +------------+                                                                  
// |an_array_sum|
// +------------+
// |           6|
// |          15|
// +------------+

функции обработки массивов (array_*), например array_distinct (2.4+):

import org.apache.spark.sql.functions.array_distinct

df.select(array_distinct($"an_array_of_structs.vals"(0))).show
// +-------------------------------------------+
// |array_distinct(an_array_of_structs.vals[0])|
// +-------------------------------------------+
// |                                 [1.0, 2.0]|
// |                                 [5.0, 6.0]|
// +-------------------------------------------+

array_max (array_min, 2.4+):

import org.apache.spark.sql.functions.array_max

df.select(array_max($"an_array")).show
// +-------------------+
// |array_max(an_array)|
// +-------------------+
// |                  3|
// |                  6|
// +-------------------+

flatten (2.4+)

import org.apache.spark.sql.functions.flatten

df.select(flatten($"an_array_of_structs.vals")).show
// +---------------------------------+
// |flatten(an_array_of_structs.vals)|
// +---------------------------------+
// |             [1.0, 2.0, 2.0, 3...|
// |             [5.0, 6.0, 7.0, 8.0]|
// +---------------------------------+

arrays_zip (2.4+):

import org.apache.spark.sql.functions.arrays_zip

df.select(arrays_zip($"an_array_of_structs.vals"(0), $"an_array_of_structs.vals"(1))).show(false)
// +--------------------------------------------------------------------+
// |arrays_zip(an_array_of_structs.vals[0], an_array_of_structs.vals[1])|
// +--------------------------------------------------------------------+
// |[[1.0, 3.0], [2.0, 4.0], [2.0, 5.0]]                                |
// |[[5.0, 7.0], [6.0, 8.0]]                                            |
// +--------------------------------------------------------------------+

array_union (2.4+):

import org.apache.spark.sql.functions.array_union

df.select(array_union($"an_array_of_structs.vals"(0), $"an_array_of_structs.vals"(1))).show
// +---------------------------------------------------------------------+
// |array_union(an_array_of_structs.vals[0], an_array_of_structs.vals[1])|
// +---------------------------------------------------------------------+
// |                                                 [1.0, 2.0, 3.0, 4...|
// |                                                 [5.0, 6.0, 7.0, 8.0]|
// +---------------------------------------------------------------------+

slice (2.4+):

import org.apache.spark.sql.functions.slice

df.select(slice($"an_array", 2, 2)).show
// +---------------------+
// |slice(an_array, 2, 2)|
// +---------------------+
// |               [2, 3]|
// |               [5, 6]|
// +---------------------+

карта (MapType) столбцов

используя метод Column.getField:

df.select($"a_map".getField("foo")).show

// +----------+
// |a_map[foo]|
// +----------+
// |       bar|
// |      null|
// +----------+

с использованием синтаксиса скобок Hive:

sqlContext.sql("SELECT a_map['foz'] FROM df").show

// +----+
// | _c0|
// +----+
// |null|
// | baz|
// +----+

используя полный путь с точечным синтаксисом:

df.select($"a_map.foo").show

// +----+
// | foo|
// +----+
// | bar|
// |null|
// +----+

с использованием UDF

val get_field = udf((kvs: Map[String, String], k: String) => kvs.get(k))

df.select(get_field($"a_map", lit("foo"))).show

// +--------------+
// |UDF(a_map,foo)|
// +--------------+
// |           bar|
// |          null|
// +--------------+

Растущее количество map_* функций, таких как map_keys (2.3+)

import org.apache.spark.sql.functions.map_keys

df.select(map_keys($"a_map")).show
// +---------------+
// |map_keys(a_map)|
// +---------------+
// |          [foo]|
// |          [foz]|
// +---------------+

or map_values (2.3+)

import org.apache.spark.sql.functions.map_values

df.select(map_values($"a_map")).show
// +-----------------+
// |map_values(a_map)|
// +-----------------+
// |            [bar]|
// |            [baz]|
// +-----------------+

См. Подробный список в SPARK-23899.

столбцы struct (StructType), используя полный путь с синтаксисом через точку:

с DataFrame API

df.select($"a_struct.x").show

// +---+
// |  x|
// +---+
// |  1|
// |  2|
// +---+

с сырым SQL

sqlContext.sql("SELECT a_struct.x FROM df").show

// +---+
// |  x|
// +---+
// |  1|
// |  2|
// +---+

к полям внутри массива structs можно получить доступ, используя синтаксис с точкой, имена и стандартные Column методы:

df.select($"an_array_of_structs.foo").show

// +----------+
// |       foo|
// +----------+
// |[foo, bar]|
// |[foz, baz]|
// +----------+

sqlContext.sql("SELECT an_array_of_structs[0].foo FROM df").show

// +---+
// |_c0|
// +---+
// |foo|
// |foz|
// +---+

df.select($"an_array_of_structs.vals".getItem(1).getItem(1)).show

// +------------------------------+
// |an_array_of_structs.vals[1][1]|
// +------------------------------+
// |                           4.0|
// |                           8.0|
// +------------------------------+

Доступ к полям пользовательских типов (UDT) можно получить с помощью UDF. Дополнительные сведения см. В ссылочных атрибутах Spark SQL для UDT.

Примечания:

в зависимости от версии Spark некоторые из этих методов могут быть доступны только с HiveContext. UDF должны работать независимо от версии как со стандартными SQLContext, так и с HiveContext.
Вообще говоря, вложенные ценности - это граждане второго сорта. Не все типичные операции поддерживаются с вложенными полями. В зависимости от контекста может быть лучше сгладить схему и / или разложить коллекции.
```
df.select(explode($"an_array_of_structs")).show

// +--------------------+
// |                 col|
// +--------------------+
// |[foo,1,WrappedArr...|
// |[bar,2,WrappedArr...|
// |[foz,3,WrappedArr...|
// |[baz,4,WrappedArr...|
// +--------------------+
```
Синтаксис точки можно комбинировать с подстановочным знаком (*) для выбора (возможно, нескольких) полей без явного указания имен:
```
df.select($"a_struct.*").show
// +---+
// |  x|
// +---+
// |  1|
// |  2|
// +---+
```
Столбцы JSON можно запрашивать с помощью функций get_json_object и from_json. Подробнее см. Как запросить столбец данных JSON с помощью Spark DataFrames?.

zero323 22.11.2015

comment

Можно ли получить все элементы в массиве структур? Возможно ли что-то подобное .. sqlContext.sql (SELECT an_array_of_structs [0] .foo FROM df) .show - user1384205; 06.06.2016

comment

Как сделать то же самое, что и SELECT an_array_of_structs[0].foo FROM df, используя код, а не sql? И поддерживается ли выполнение UDF в столбце массива структур (an_array_of_structs) с использованием кода? Как SELECT max(an_array_of_structs.bar) FROM df с использованием кода. - DeepNightTwo; 05.03.2018

comment

Вот это да. Отличный открытый ответ. Большое тебе спасибо. - Pasha; 12.09.2019

comment

Вау ^ 10 замечательный ответ! - SkyWalker; 25.01.2020

comment

Я получаю сообщение об ошибке при попытке импортировать org.apache.spark.sql.functions.transform. Все остальные операции импорта, кажется, работают, есть идеи, почему это могло произойти? - Benji Kok; 22.05.2020

arrow_upward
2
arrow_downward

Как только вы конвертируете его в DF, вы можете просто получить данные как

  val rddRow= rdd.map(kv=>{
    val k = kv._1
    val v = kv._2
    Row(k, v)
  })

val myFld1 =  StructField("name", org.apache.spark.sql.types.StringType, true)
val myFld2 =  StructField("map", org.apache.spark.sql.types.MapType(StringType, StringType), true)
val arr = Array( myFld1, myFld2)
val schema = StructType( arr )
val rowrddDF = sqc.createDataFrame(rddRow, schema)
rowrddDF.registerTempTable("rowtbl")  
val rowrddDFFinal = rowrddDF.select(rowrddDF("map.one"))
or
val rowrddDFFinal = rowrddDF.select("map.one")

sshroff 16.09.2015

comment

когда я пробую это, я получаю error: value _1 is not a member of org.apache.spark.sql.Row - Paul; 23.11.2017

arrow_upward
-1
arrow_downward

вот что я сделал, и это сработало

case class Test(name: String, m: Map[String, String])
val map = Map("hello" -> "world", "hey" -> "there")
val map2 = Map("hello" -> "people", "hey" -> "you")
val rdd = sc.parallelize(Array(Test("first", map), Test("second", map2)))
val rdddf = rdd.toDF
rdddf.registerTempTable("mytable")
sqlContext.sql("select m.hello from mytable").show

Полученные результаты

+------+
| hello|
+------+
| world|
|people|
+------+

Sumit Pal 06.06.2016

Запрос Spark SQL DataFrame со сложными типами

Ответы (3)

Похожие вопросы