apache-spark - 从结构数组中选择 Spark DataFrames 中的特定列

Question

我有一个 Spark DataFrame df具有以下架构:

root
 |-- k: integer (nullable = false)
 |-- v: array (nullable = true)
 |    |-- element: struct (containsNull = true)
 |    |    |-- a: integer (nullable = false)
 |    |    |-- b: double (nullable = false)
 |    |    |-- c: string (nullable = true)

是否可以只选择 a, c在 v来自 df没有做 map ?特别是 df从 Parquet 文件加载，我不想要 c 的值甚至可以加载/阅读。

Answer 1

这完全取决于您期望作为输出的内容，这从您的问题中不清楚。让我澄清一下。
你可以做

df.select($"v.a",$"v.b").show()

然而，结果可能不是你想要的，因为 v是一个数组，它将为 a 生成一个数组，每个 b 生成一个数组。您可能想要做的是 explode然后数组 v 从分解的数据框中选择:

df.select(explode($"v").as("v" :: Nil )).select($"v.a", $"v.b").show()

这会将 v 展平到一个表格，其所有值都展平。
在任何一种情况下，spark/parquet 都应该足够聪明，可以使用谓词下推而不加载 c。