scala - 如何拆分逗号分隔的字符串并在 Spark Scala 数据框中获取 n 个值？

Question

如何仅从 arraytype 中获取 2 个数据Spark Scala 中的列？
我得到的数据是 val df = spark.sqlContext.sql("select col1, col2 from test_tbl") .

我有如下数据:

col1  | col2                              
---   | ---
a     | [test1,test2,test3,test4,.....]   
b     | [a1,a2,a3,a4,a5,.....]       

我想获得如下数据:

col1| col2
----|----
a   | test1,test2
b   | a1,a2

当我在做 df.withColumn("test", col("col2").take(5))它不工作。它给出了这个错误:

value take is not a member of org.apache.spark.sql.ColumnName

如何按上述顺序获取数据？

Answer 1

您可以使用数组列的 apply函数使每个单独的项目达到某个索引，然后使用 array 构建一个新数组功能:

import spark.implicits._
import org.apache.spark.sql.functions._

// Sample data:
val df = Seq(
  ("a", Array("a1", "a2", "a3", "a4", "a5", "a6")),
  ("a", Array("b1", "b2", "b3", "b4", "b5")),
  ("c", Array("c1", "c2"))
).toDF("col1", "col2")

val n = 4
val result = df.withColumn("col2", array((0 until n).map($"col2"(_)): _*))

result.show(false)
// +----+--------------------+
// |col1|col2                |
// +----+--------------------+
// |a   |[a1, a2, a3, a4]    |
// |a   |[b1, b2, b3, b4]    |
// |c   |[c1, c2, null, null]|
// +----+--------------------+

请注意，这将“填充”结果 null s 用于数组小于 n 的记录.