- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我有一个问题,当我们将 Json 文件加载到 Spark 中时,将其存储为 Parquet,然后尝试从 Impala 访问 Parquet 文件; Impala 提示列的名称,因为它们包含在 SQL 中非法的字符。
JSON 文件的“特征”之一是它们没有预定义的架构。我想让 Spark 创建模式,然后我必须修改具有非法字符的字段名称。
我的第一个想法是对 DataFrame 中的字段名称使用 withColumnRenamed
,但我认为这只适用于顶级字段,所以我不能使用它,因为 Json 包含嵌套数据。
所以我创建了以下代码来重新创建 DataFrames 模式,递归地遍历结构。然后我使用该新架构重新创建 DataFrame。
(代码根据 Jacek 建议的使用 Scala 复制构造函数的改进进行了更新。)
def replaceIllegal(s: String): String = s.replace("-", "_").replace("&", "_").replace("\"", "_").replace("[", "_").replace("[", "_")
def removeIllegalCharsInColumnNames(schema: StructType): StructType = {
StructType(schema.fields.map { field =>
field.dataType match {
case struct: StructType =>
field.copy(name = replaceIllegal(field.name), dataType = removeIllegalCharsInColumnNames(struct))
case _ =>
field.copy(name = replaceIllegal(field.name))
}
})
}
sparkSession.createDataFrame(df.rdd, removeIllegalCharsInColumnNames(df.schema))
这行得通。但是有没有更好/更简单的方法来实现我想做的事情?
有没有更好的方法来替换 DataFrame 上的现有模式?以下代码无效:
df.select($"*".cast(removeIllegalCharsInColumnNames(df.schema)))
它给出了这个错误:
org.apache.spark.sql.AnalysisException: Invalid usage of '*' in expression 'cast'
最佳答案
我认为最好的办法是将数据集(在保存为 parquet 文件之前)转换为 RDD,并根据需要使用自定义模式来描述结构。
val targetSchema: StructType = ...
val fromJson: DataFrame = ...
val targetDataset = spark.createDataFrame(fromJson.rdd, targetSchema)
请参阅 SparkSession.createDataFrame 中的示例作为引用,但是当您要从数据集创建它时,它直接使用 RDD。
val schema =
StructType(
StructField("name", StringType, false) ::
StructField("age", IntegerType, true) :: Nil)
val people =
sc.textFile("examples/src/main/resources/people.txt").map(
_.split(",")).map(p => Row(p(0), p(1).trim.toInt))
val dataFrame = sparkSession.createDataFrame(people, schema)
dataFrame.printSchema
// root
// |-- name: string (nullable = false)
// |-- age: integer (nullable = true)
但是正如您在评论中提到的(我后来将其合并到您的问题中):
JSON files don't have a predefined schema.
话虽如此,我认为您的解决方案是正确的。 Spark 不提供开箱即用的任何类似功能,我认为更多的是开发自定义 Scala 代码,该代码将遍历 StructType
/StructField
树并更改不正确的内容。
我建议在您的代码中更改的是使用 copy
构造函数(Scala 的案例类的一个功能 - 参见 A Scala case class ‘copy’ method example ),它只会更改不正确的名称而其他属性保持不变.
使用 copy
构造函数将(大致)对应于以下代码:
// was
// case s: StructType =>
// StructField(replaceIllegal(field.name), removeIllegalCharsInColumnNames(s), field.nullable, field.metadata)
s.copy(name = replaceIllegal(field.name), dataType = removeIllegalCharsInColumnNames(s))
函数式语言(一般而言)和 Scala(特别是)中有一些设计模式可以处理深层嵌套结构操作,但这可能太多了(我犹豫要不要分享)。
因此,我认为问题的当前“形式”更多是关于如何将树作为数据结构而不一定是 Spark 模式来操作。
关于scala - 如何更改 DataFrame 的模式(修复一些嵌套字段的名称)?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/45218373/
我正在尝试做这样的事情:Name[i] = "Name"+ (i+1) 在 forloop 中,这样数组的值将是:Name[0] = Name1,Name[1] = Name2,Name[2] = N
我读了here,在GSP中我们可以这样写: ${params.action} 从GSP中,我们可以使用${params.action}作为参数调用Javascript函数(请参阅here)。 是否有其
我的问题:非常具体。我正在尝试想出解析以下文本的最简单方法: ^^domain=domain_value^^version=version_value^^account_type=account_ty
我创建了一条与此类似的路线: Router::connect("/backend/:controller/:action/*"); 现在我想将符合此模式的每个 Controller 路由重命名为类似
我在 Visual Studio 2013 项目中收到以下警告: SQL71502 - Procedure has an unresolved reference to object 最佳答案 这可以
任何人都可以指导我使用名称/值 .NET 集合或 .NET 名称/值字典以获得最佳性能吗?请问最好的方法是什么?我的应用程序是 ASP.NET、WCF/WF Web 应用程序。每个集合应该有 10 到
我在 Zend Framework 2 中有一个默认模块: namespace Application\Controller; use Zend\Mvc\Controller\AbstractActi
这是表格: 关于javascript - 在 javascript 中,这是一个有效的结构吗? : document. 名称.名称.值?,我们在Stack Overflow上找到一个类似的
HtmlHelper.ActionLink(htmlhelper,string linktext,string action) 如何找出正确的路线? 如果我有这个=> HtmlHelper.Actio
我需要一些有关如何将 Controller 定义传递给嵌套在 outer 指令中的 inner 指令的帮助。请参阅http://plnkr.co/edit/Om2vKdvEty9euGXJ5qan一个
请提出一个数据结构来表示内存中的记录列表。每条记录由以下部分组成: 用户名 积分 排名(基于积分)- 可选字段- 可以存储在记录中或可以动态计算 数据结构应该支持高效实现以下操作: Insert(re
错误 : 联合只能在具有兼容列类型的表上执行。 结构(层:字符串,skyward_number:字符串,skyward_points:字符串)<> 结构(skyward_number:字符串,层:字符
我想要一个包含可变数量函数的函数,但我希望在实际使用它们之前不要对它们求值。我可以使用 () => type 语法,但我更愿意使用 => type 语法,因为它似乎是为延迟评估而定制的。 当我尝试这样
我正在编写一个 elisp 函数,它将给定键永久绑定(bind)到当前主要模式的键盘映射中的给定命令。例如, (define-key python-mode-map [C-f1] 'pytho
卡在R中的错误上。 Error in names(x) <- value : 'names' attribute must be the same length as the ve
我有字符串,其中包含名称,有时在字符串中包含用户名,后跟日期时间戳: GN1RLWFH0546-2020-04-10-18-09-52-563945.txt JOHN-DOE-2020-04-10-1
有人知道为什么我会收到此错误吗?这显示将我的项目升级到新版本的Unity3d之后。 Error CS0103: The name `Array' does not exist in the curre
由于 Embarcadero 的 NNTP 服务器从昨天开始就停止响应,我想我可以在这里问:我使用非数据库感知网格,我需要循环遍历数据集以提取列数、它们的名称、数量行数以及每行中每个字段的值。 我知道
在构建Android应用程序的子项目中,我试图根据根build.gradle中的变量设置版本代码/名称。 子项目build.gradle: apply plugin: 'com.android.app
示例用例: 我有一个带有属性“myProperty”的对象,具有 getter 和 setter(自 EcmaScript 5 起支持“Property Getters 和 Setters”:http
我是一名优秀的程序员,十分优秀!