从Spark BinaryType

Question

我有一个二进制类型二进制列的表：

>>> df.show(3)
+--------+--------------------+
|       t|               bytes|
+--------+--------------------+
|0.145533|[10 50 04 89 00 3...|
|0.345572|[60 94 05 89 80 9...|
|0.545574|[99 50 68 89 00 7...|
+--------+--------------------+
only showing top 3 rows
>>> df.schema
StructType(List(StructField(t,DoubleType,true),StructField(bytes,BinaryType,true)))

如果我提取二进制文件的第一个字节，我从Spark得到一个例外：

>>> df.select(n["t"], df["bytes"].getItem(0)).show(3)
AnalysisException: u"Can't extract value from bytes#477;"

ArrayType(ByteType)的演员也无效：

>>> df.select(n["t"], df["bytes"].cast(ArrayType(ByteType())).getItem(0)).show(3)
AnalysisException: u"cannot resolve '`bytes`' due to data type mismatch: cannot cast BinaryType to ArrayType(ByteType,true) ..."

如何提取字节？

Answer 1

你可以为此制作一个简单的udf：

from pyspark.sql import functions as f

a = bytearray([10, 50, 04])
df = sqlContext.createDataFrame([(1, a), (2, a)], ("t", "bytes"))
df.show()

+---+----------+
|  t|     bytes|
+---+----------+
|  1|[0A 32 04]|
|  2|[0A 32 04]|
+---+----------+

u = f.udf(lambda a: a[0])
df.select(u(df['bytes']).alias("first")).show()

+-----+
|first|
+-----+
|   10|
|   10|
+-----+

修改

如果你想将提取的位置作为参数，你可以做一些讨论：

func = lambda i: lambda a: a[i]
my_udf = lambda i: f.udf(func(i))

df.select(my_udf(2)(df['bytes']).alias("last")).show()

+----+
|last|
+----+
|   4|
|   4|
+----+

Answer 2

另一种方法是使用原生 API 函数 substring (docs)，它可以使用位置和长度参数“切片”二进制类型。

以下是接受答案示例后的演示：

df.select("*", 
          f.substring("bytes", 2, 1), 
          f.substring("bytes", 2, 1).cast("string")).show()

+---+----------+----------------------+--------------------------------------+
|  t|     bytes|substring(bytes, 2, 1)|CAST(substring(bytes, 2, 1) AS STRING)|
+---+----------+----------------------+--------------------------------------+
|  1|[0A 32 04]|                  [32]|                                     2|
|  2|[0A 32 04]|                  [32]|                                     2|
+---+----------+----------------------+--------------------------------------+