scala - 如何自动创建 StructType 以将 RDD 传递给 DataFrame

Question

我要保存 RDD作为 Parquet 文件。为此，我将 RDD 传递给 DataFrame然后我使用一个结构来保存 DataFrame作为 Parquet 文件:

    val aStruct = new StructType(Array(StructField("id",StringType,nullable = true),
                                       StructField("role",StringType,nullable = true)))
    val newDF = sqlContext.createDataFrame(filtered, aStruct)

问题是如何创建 aStruct假设所有列都是 StringType 自动用于所有列?还有， nullable = true是什么意思？ ?这是否意味着所有空值都将被 Null 替换？ ?

Answer 1

为什么不使用内置 toDF ?

scala> val myRDD = sc.parallelize(Seq(("1", "roleA"), ("2", "roleB"), ("3", "roleC")))
myRDD: org.apache.spark.rdd.RDD[(String, String)] = ParallelCollectionRDD[60] at parallelize at <console>:27

scala> val colNames = List("id", "role")
colNames: List[String] = List(id, role)

scala> val myDF = myRDD.toDF(colNames: _*)
myDF: org.apache.spark.sql.DataFrame = [id: string, role: string]

scala> myDF.show
+---+-----+
| id| role|
+---+-----+
|  1|roleA|
|  2|roleB|
|  3|roleC|
+---+-----+

scala> myDF.printSchema
root
 |-- id: string (nullable = true)
 |-- role: string (nullable = true)

scala> myDF.write.save("myDF.parquet")

nullable=true只是意味着指定的列可以包含 null值(这对于通常没有 int 值的 null 列特别有用 - Int 没有 NA 或 null )。