java - 如何在 Spark Java 中使用 StructType Schema 从 JavaRDD 读取 csv 格式数据

Question

使用 Spark Java，我尝试使用 StructType 动态模式读取具有 JavaRDD 形式的逗号分隔值的数据。

我知道我可以使用下面传递模式的方法读取json(其中schemaStr->StructType和javaRDD->JavaRDD):

Dataset<Row> df = spark.read().schema(schemaStr).json(javaRDD);


javaRDD has value as: name1,address11,city111

请建议如何使用 StructType 模式读取 JavaRDD，因为我有逗号分隔的数据作为 JavaRDD。而且我需要使用 StructType 架构读取数据，以将其转换为数据帧，因为我有一个动态架构生成器实用程序。

Answer 1

所以如果我理解正确的话，你想转换 JavaRDD至Dataset<Row> ？如果是，您可以创建 JavaRDD<Row>通过拆分您的 JavaRDD<String>并将其传递给spark.createDataFrame与您的架构

StructType schema = new StructType(new StructField[]{
                new StructField("_1", DataTypes.StringType, false, Metadata.empty()),
                new StructField("_2", DataTypes.StringType, false, Metadata.empty()),
                new StructField("_3", DataTypes.StringType, false, Metadata.empty())
        });

        JavaRDD<String> rdd1 = spark
                .range(5)
                .javaRDD()
                .map(s -> s+",b,c");

        JavaRDD<Row> rdd2 = rdd1.map(s -> s.split(","))
                .map(s -> RowFactory.create((Object[]) s));

        Dataset<Row> df = spark.createDataFrame(rdd2, schema);

        df.show();

输出:

+---+---+---+
| _1| _2| _3|
+---+---+---+
|  0|  b|  c|
|  1|  b|  c|
|  2|  b|  c|
|  3|  b|  c|
|  4|  b|  c|
+---+---+---+