如何从Spark中的数组列中选择字段子集？

Question

假设我有一个DataFrame如下：

case class SubClass(id:String, size:Int,useless:String)
case class MotherClass(subClasss: Array[SubClass])
val df = sqlContext.createDataFrame(List(
      MotherClass(Array(
        SubClass("1",1,"thisIsUseless"),
        SubClass("2",2,"thisIsUseless"),
        SubClass("3",3,"thisIsUseless")
      )),
      MotherClass(Array(
        SubClass("4",4,"thisIsUseless"),
        SubClass("5",5,"thisIsUseless")
      ))
    ))

架构是：

root
 |-- subClasss: array (nullable = true)
 |    |-- element: struct (containsNull = true)
 |    |    |-- id: string (nullable = true)
 |    |    |-- size: integer (nullable = false)
 |    |    |-- useless: string (nullable = true)

我正在寻找一种方法来只选择字段的一个子集：数组列id的{​​{1}}和size，但保留嵌套的数组结构。 结果模式将是：

subClasss

我试过做

root
     |-- subClasss: array (nullable = true)
     |    |-- element: struct (containsNull = true)
     |    |    |-- id: string (nullable = true)
     |    |    |-- size: integer (nullable = false)

但是这会将数组df.select("subClasss.id","subClasss.size") 分成两个数组：

subClasss

有没有办法保留原始结构，只是为了消除root |-- id: array (nullable = true) | |-- element: string (containsNull = true) |-- size: array (nullable = true) | |-- element: integer (containsNull = true) 字段？看起来像：

useless

感谢您的时间。

Answer 1

Spark＆gt; = 2.4 ：

可以将arrays_zip与cast：

一起使用

import org.apache.spark.sql.functions.arrays_zip

df.select(arrays_zip(
  $"subClasss.id", $"subClasss.size"
).cast("array<struct<id:string,size:int>>"))

rename nested fields需要cast - 没有它，Spark会使用自动生成的名称0，1，... n。

Spark＆lt; 2.4 ：

您可以使用这样的UDF：

import org.apache.spark.sql.Row

case class Record(id: String, size: Int)

val dropUseless = udf((xs: Seq[Row]) =>  xs.map{
  case Row(id: String, size: Int, _) => Record(id, size)
})

df.select(dropUseless($"subClasss"))