Question

上下文

我在数据框输入中有一个事件源数据的示例，如下所示。

SOURCE

其中eventOccurredTime是String类型。这是来源，我想保留它的原始字符串形式（纳秒）

我想使用该字符串来增加一些额外的日期/时间类型数据以供下游使用。下面是一个例子

TARGET

现在我可以在数据帧上执行一些spark sql，如下所示，以获得我想要的结果：

import org.apache.spark.sql.DataFrame

def transformDF(): DataFrame = {
  spark.sql(
   s"""
    SELECT 
      id,
      struct(
        event.eventCategory,
        event.eventName,
        event.eventOccurredTime,
        struct (
          CAST(date_format(event.eventOccurredTime,"yyyy-MM-dd'T'HH:mm:ss.SSS") AS TIMESTAMP) AS eventOccurredTimestampUTC,
          CAST(date_format(event.eventOccurredTime,"yyyy-MM-dd'T'HH:mm:ss.SSS") AS DATE) AS eventOccurredDateUTC,
          unix_timestamp(substring(event.eventOccurredTime,1,23),"yyyy-MM-dd'T'HH:mm:ss.SSS") * 1000  AS eventOccurredTimestampMillis,
          datesDim.dateSeq AS eventOccurredDateDimSeq
        ) AS eventOccurredTimeDim,

注意：这是一个片段，对于完整的事件，我必须在这个长SQL中显式执行20次20字符串日期

需要注意的一些事项：

unix_timestamp(substring(event.eventOccurredTime,1,23)

上面我发现我必须对具有纳米精度的日期进行子串，否则将返回null，因此子字符串

xDim.xTimestampUTC
xDim.xDateUTC
xDim.xTimestampMillis
xDim.xDateDimSeq

上面是4个嵌套的xDim结构字段的模式/命名约定，它们存在于预定义的spark模式中，json被用来创建源数据帧。

 datesDim.dateSeq AS eventOccurredDateDimSeq

要获得上述＆＃39; eventOccurredDateDimSeq＆＃39;字段，我需要加入日期维度表＆＃39; datesDim＆＃39; （带有每小时颗粒的静态），其中dateSeq是＆＃39;键＆＃39;其中此日期属于每小时桶，其中datesDim.UTC定义为小时

LEFT OUTER JOIN datesDim ON
      CAST(date_format(event.eventOccurredTime,"yyyy-MM-dd'T'HH:00:00") AS TIMESTAMP) = datesDim.UTC

该表在spark集群中是全局可用的，因此应该快速查找，但我需要对有效负载中的每个日期丰富进行此操作，它们将具有不同的日期。

dateDimensionDF.write.mode("overwrite").saveAsTable("datesDim")

一般架构模式是，如果字段名称为字符串日期：

..有一个＆x 39; xDim＆＃39; struct equiv，紧跟在下面的架构顺序中，如下所述。

xDim.xTimestampUTC
xDim.xDateUTC
xDim.xTimestampMillis
xDim.xDateDimSeq

正如片段中所提到的，虽然在上图中我只是展示了“eventOccuredTime＆＃39;在上面，通过模式中有更多这些，在较低级别，也需要应用相同的转换模式。

问题：

所以我有一个spark sql（代码片段的完整monty）为1个事件类型执行此操作，并且它是一个大的，显式的SQL语句，它应用了我显示的时间函数和连接），但这是我的问题我需要帮助。

因此，我想尝试创建一个更通用的，功能导向的可重用解决方案，该解决方案遍历嵌套数据框并应用此转换模式，如上所述＆＃39;

如何定义＆＃39;它需要的位置＆＃39;？

也许命名约定是一个好的开始 - 遍历DF，查找具有xDim（＆＃39; Dim＆＃39;后缀）模式的任何结构字段，并使用＆＃39; x＆＃39;字段作为输入，并按照所描述的命名模式填充xDim。*值？

如何在函数中最好地加入datesDim注册表（它的静态记忆），以便它执行？

解决方案吗

认为需要一个或多个UDF（我们使用Scala），可能单独使用或作为SQL中的片段，但不确定。我认为确保DatesDim查找执行是关键。

或许还有另一种方式？

注意：我正在使用Dataframes / SparkSQL而不是数据集，但每个欢迎选项？

Databricks

注意：实际上我实际上是使用数据库平台，所以对于SQL＆＃39;高阶函数＆＃39;中的那些经文。在Dbricks

https://docs.databricks.com/spark/latest/spark-sql/higher-order-functions-lambda-functions.html

....这里有一个灵活的选项，使用＆＃39; TRANSFORM＆＃39;作为SQL HOF（可能需要注册一个实用程序UDF并使用它与转换）？

太棒了，感谢火花社区的帮助！对不起，这是设置场景的长篇文章。

Spark Dataframe / SQL - 复杂丰富嵌套数据

0 个答案: