spark中的where子句，用于struct数组中的元素？

sirbozc5 于 2021-06-26 发布在 Hive

关注(0)|答案(1)|浏览(322)

我有两个案例：

case class Doc(posts: Seq[Post], test: String)
case class Post(postId: Int, createdTime: Long)

我创建了一个示例df：

val df = spark.sparkContext.parallelize(Seq(
Doc(Seq(
  Post(1, 1),
  Post(2, 3),
  Post(3, 8),
  Post(4, 15)
), null),
Doc(Seq(
  Post(5, 6),
  Post(6, 9),
  Post(7, 12),
  Post(8, 20)
), "hello") )).toDF()

所以我想要的是，返回带有帖子的在线文档，其中createtime在x和y之间。例如，对于x=2 et y=9，我希望这个结果与原始df的模式相同：

+--------------+
|         posts|
+--------------+
|[[2,3], [3,8]]|
|[[5,6], [6,9]]|
+--------------+

所以我尝试了很多组合的地方，但我没有工作。我试着用 map(_.filter(...)) ，但问题是我不想做 toDF().as[Doc] 有什么帮助吗？谢谢您

Hive scala apache-spark where

来源：https://stackoverflow.com/questions/45038656/where-clause-in-spark-with-between-for-element-in-array-of-struct

1条答案

按热度按时间

balp4ylt1#

有几种方法可以做到这一点：
使用自定义项
使用爆炸和收集
使用databricks工具
自定义项
udf是一条捷径。您基本上创建了一个自定义函数来完成这项工作。与转换为数据集不同，它不会构造整个doc类，而是只处理相关数据：

def f(posts: Seq[Row]): Seq[Post] = {
  posts.map(r => Post(r.getAs[Int](0), r.getAs[Long](1))).filter(p => p.createdTime > 3 && p.createdTime < 9))
}
val u = udf(f _)
val filtered = df.withColumn("posts", u($"posts"))

使用分解和收集列表

df.withColumn("posts", explode($"posts")).filter($"posts.createdTime" > 3 && $"posts.createdTime" < 9).groupBy("test").agg(collect_list("posts").as("posts"))

这可能比前一个效率要低，但它是一个单行程序（在将来的某个时刻它可能会得到优化）。
使用databricks工具
如果你在databricks云上工作，你可以使用高阶函数。更多信息请参见此处。因为这不是一个一般的Spark选择，我不会去了。
希望将来他们能将它集成到标准的spark中（我在这个主题上找到了jira，但目前还不支持它）。

赞(0）回复(0）举报 2021-06-26

我来回答

spark中的where子句，用于struct数组中的元素？

1条答案

相关问题

热门标签

最新问答