scala - 在 Spark 中创建给定模式的空数组列

Question

由于parquet无法解析空数组，所以在写表之前我将空数组替换为null。现在，当我阅读表格时，我想做相反的事情:

我有一个具有以下架构的 DataFrame :

|-- id: long (nullable = false)
 |-- arr: array (nullable = true)
 |    |-- element: struct (containsNull = true)
 |    |    |-- x: double (nullable = true)
 |    |    |-- y: double (nullable = true)

以及以下内容:

+---+-----------+
| id|        arr|
+---+-----------+
|  1|[[1.0,2.0]]|
|  2|       null|
+---+-----------+

我想用空数组替换空数组(id=2)，即

+---+-----------+
| id|        arr|
+---+-----------+
|  1|[[1.0,2.0]]|
|  2|         []|
+---+-----------+

我已经尝试过:

val arrSchema = df.schema(1).dataType

df
.withColumn("arr",when($"arr".isNull,array().cast(arrSchema)).otherwise($"arr"))
.show()

给出:

java.lang.ClassCastException: org.apache.spark.sql.types.NullType$ cannot be cast to org.apache.spark.sql.types.StructType

编辑:我不想“硬编码”数组列的任何模式(至少不是结构的模式)，因为这可能因情况而异。我只能在运行时使用来自 df 的架构信息

顺便说一下，我使用的是 Spark 2.1，因此无法使用 typedLit

Answer 1

• 具有已知外部类型的 Spark 2.2+

  一般来说，您可以使用typedLit来提供空数组。

  import org.apache.spark.sql.functions.typedLit
  
  typedLit(Seq.empty[(Double, Double)])
  

  要为嵌套对象使用特定名称，您可以使用案例类:

  case class Item(x: Double, y: Double)
  
  typedLit(Seq.empty[Item])
  

  或rename by cast :

  typedLit(Seq.empty[(Double, Double)])
    .cast("array<struct<x: Double, y: Double>>")
  

• 仅具有架构的 Spark 2.1+

  只有您可以尝试使用架构:

  val schema = StructType(Seq(
    StructField("arr", StructType(Seq(
      StructField("x", DoubleType),
      StructField("y", DoubleType)
    )))
  ))
  
  def arrayOfSchema(schema: StructType) =
    from_json(lit("""{"arr": []}"""), schema)("arr")
  
  arrayOfSchema(schema).alias("arr")
  

  其中schema可以从现有的DataFrame中提取并用附加的StructType包装:

  StructType(Seq(
    StructField("arr", df.schema("arr").dataType)
  ))