Question

我正在使用Spark（2.0）开发Spark SQL并使用Java API读取CSV。

在CSV文件中有双引号，逗号分隔列。例如："Express Air,Delivery Truck"

读取CSV并返回数据集的代码：

Dataset<Row> df = spark.read()
                .format("com.databricks.spark.csv")
                .option("inferSchema", "true")
                .option("header", "true")
                .load(filename)

结果：

+-----+--------------+--------------------------+
|Year |       State  |                Ship Mode |...
+-----+--------------+--------------------------+
|2012 |New York      |Express Air,Delivery Truck|...
|2013 |Nevada        |Delivery Truck            |...
|2013 |North Carolina|Regular Air,Delivery Truck|...
+-----+--------------+--------------------------+

但是，我想将Shop Mode拆分为Mode1和Mode2列并作为数据集返回。

+-----+--------------+--------------+---------------+
|Year |       State  |     Mode1    |         Mode2 |...
+-----+--------------+--------------+---------------+
|2012 |New York      |Express Air   |Delivery Truck |...
|2013 |Nevada        |Delivery Truck|null           |...
|2013 |North Carolina|Regular Air   |Delivery Truck |...
+-----+--------------+--------------+---------------+

有什么方法可以使用Java Spark做到这一点吗？

我尝试使用MapFunction，但call（）方法没有返回Row。 Ship Mode将为动态，即CSV可能包含一种或两种发货模式。

感谢。

Answer 1

您可以使用 selectExpr ，这是一个接受 SQL表达式的select变体，如下所示：

df.selectExpr("Year","State","split(Ship Mode, ',')[0] as Mode1","split(Ship Mode, ',')[1] as Mode2");

结果是行数据集。

Answer 2

我们可以：

定义用户定义函数（UDF）仅执行一次拆分操作
使用select表达式将拆分列映射为两个新列

例如：

import org.apache.spark.sql.functions._
import org.apache.spark.sql.{Column, Row}

val splitter = udf((str: String) => {
  val splitted = str.split(",").lift
  Array(splitted(0), splitted(1))
})

val dfShipMode = df.select($"year",$"state", splitter($"shipMode") as "modes")
                   .select($"year", $"state", $"modes"(0) as "mode1", $"modes"(1) as "mode2")

使用逗号分割数据集<row>上的字符串列，并获取新的数据集<row>

2 个答案: