如何有效地从单个字符串列RDD中提取多个列?

时间:2019-05-15 10:29:24

标签: scala apache-spark

我有一个包含20多个列的文件,我想从中提取一些。到目前为止,我有以下代码。我敢肯定有一种聪明的方法可以做到这一点,但无法使其成功运行。有什么想法吗?

mvnmdata的类型为RDD [String]

val strpcols = mvnmdata.map(x => x.split('|')).map(x => (x(0),x(1),x(5),x(6),x(7),x(8),x(9),x(10),x(11),x(12),x(13),x(14),x(15),x(16),x(17),x(18),x(19),x(20),x(21),x(22),x(23) ))```

2 个答案:

答案 0 :(得分:0)

此解决方案提供了一种可维护且易于阅读的方式来管理列名和索引。它基于确定列名称/索引关系的映射。该地图还将帮助我们处理提取列的索引及其名称。

import org.apache.spark.sql.Row
import org.apache.spark.sql.types.{StringType, StructType, StructField}

val rdd = spark.sparkContext.parallelize(Seq(
"1|500|400|300",
"1|34|67|89",
"2|10|20|56",
"3|2|5|56",
"3|1|8|22"))

val dictColums = Map("c0" -> 0, "c2" -> 2)

val schema = StructType(dictColums.keys.toSeq.map(StructField(_, StringType, true)))

val mappedRDD = rdd.map{line => line.split('|')}
                    .map{
                      cols => Row.fromSeq(dictColums.values.toSeq.map{cols(_)})
                    }

val df = spark.createDataFrame(mappedRDD, schema).show

//output
+---+---+
| c0| c2|
+---+---+
|  1|400|
|  1| 67|
|  2| 20|
|  3|  5|
|  3|  8|
+---+---+
  • 首先,我们在此示例中声明dictColums,我们将提取cols“ c0”-> 0和“ c2”-> 2
  • 接下来,我们根据地图的键创建模式
  • 一个地图(您已经拥有)将用|分隔线,第二个地图将创建一个Row,其中包含与dictColums.values的每个项目相对应的值

更新:

您还可以从上述功能中创建一个功能,以便能够多次重用它:

import org.apache.spark.sql.DataFrame

def stringRddToDataFrame(colsMapping: Map[String, Int], rdd: RDD[String]) : DataFrame = {
  val schema = StructType(colsMapping.keys.toSeq.map(StructField(_, StringType, true)))

  val mappedRDD = rdd.map{line => line.split('|')}
                    .map{
                      cols => Row.fromSeq(colsMapping.values.toSeq.map{cols(_)})
                    }

  spark.createDataFrame(mappedRDD, schema)
}

然后将其用于您的情况:

val cols = Map("c0" -> 0, "c1" -> 1, "c5" -> 5, "c6" -> 6 ..... "c23" -> 23)

val df = stringRddToDataFrame(cols, rdd)

答案 1 :(得分:-1)

如下所示,如果您不想编写重复的x(i),则可以循环处理它。范例1:

val strpcols = mvnmdata.map(x => x.split('|'))
  .map(x =>{
    val xbuffer = new ArrayBuffer[String]()
    for (i <- Array(0,1,5,6...)){
      xbuffer.append(x(i))
    }
    xbuffer
  })

如果您只想使用开始和结束以及要排除的数字定义索引列表,请参见下面的示例2:

scala> (1 to 10).toSet
res8: scala.collection.immutable.Set[Int] = Set(5, 10, 1, 6, 9, 2, 7, 3, 8, 4)

scala> ((1 to 10).toSet -- Set(2,9)).toArray.sortBy(row=>row)
res9: Array[Int] = Array(1, 3, 4, 5, 6, 7, 8, 10)

您想要的最终代码:

  //define the function to process indexes
  def getSpecIndexes(start:Int, end:Int, removedValueSet:Set[Int]):Array[Int] = {
    ((start to end).toSet -- removedValueSet).toArray.sortBy(row=>row)
  }

  val strpcols = mvnmdata.map(x => x.split('|'))
    .map(x =>{
      val xbuffer = new ArrayBuffer[String]()
      //call the function
      for (i <- getSpecIndexes(0,100,Set(3,4,5,6))){
        xbuffer.append(x(i))
      }
      xbuffer
    })