19

我有一张镶木地板桌，其中一列是

, 数组<struct<col1,col2,..colN>>

可以使用 LATERAL VIEW 语法在 Hive 中针对此表运行查询。

如何将此表读入 RDD，更重要的是如何在 Spark 中过滤、映射等嵌套集合？

在 Spark 文档中找不到对此的任何引用。提前感谢您提供任何信息！

附言。我觉得在桌面上提供一些统计数据可能会有所帮助。主表中的列数~600。行数~200m。嵌套集合中的“列”数 ~10。嵌套集合中的平均记录数 ~35。

4

4 回答 4

20

在嵌套集合的情况下没有魔法。Spark 将以相同的方式处理 aRDD[(String, String)]和 a RDD[(String, Seq[String])]。

但是，从 Parquet 文件中读取这样的嵌套集合可能会很棘手。

让我们从spark-shell（1.3.1）中举一个例子：

scala> import sqlContext.implicits._
import sqlContext.implicits._

scala> case class Inner(a: String, b: String)
defined class Inner

scala> case class Outer(key: String, inners: Seq[Inner])
defined class Outer

编写镶木地板文件：

scala> val outers = sc.parallelize(List(Outer("k1", List(Inner("a", "b")))))
outers: org.apache.spark.rdd.RDD[Outer] = ParallelCollectionRDD[0] at parallelize at <console>:25

scala> outers.toDF.saveAsParquetFile("outers.parquet")

阅读镶木地板文件：

scala> import org.apache.spark.sql.catalyst.expressions.Row
import org.apache.spark.sql.catalyst.expressions.Row

scala> val dataFrame = sqlContext.parquetFile("outers.parquet")
dataFrame: org.apache.spark.sql.DataFrame = [key: string, inners: array<struct<a:string,b:string>>]   

scala> val outers = dataFrame.map { row =>
     |   val key = row.getString(0)
     |   val inners = row.getAs[Seq[Row]](1).map(r => Inner(r.getString(0), r.getString(1)))
     |   Outer(key, inners)
     | }
outers: org.apache.spark.rdd.RDD[Outer] = MapPartitionsRDD[8] at map at DataFrame.scala:848

重要的部分是row.getAs[Seq[Row]](1)。structis的嵌套序列的内部表示ArrayBuffer[Row]，您可以使用它的任何超类型而不是Seq[Row]. 是外行中的1列索引。我在getAs这里使用了该方法，但在最新版本的 Spark 中有替代方法。请参阅Row 特征的源代码。

现在您有了RDD[Outer]，您可以应用任何想要的转换或操作。

// Filter the outers
outers.filter(_.inners.nonEmpty)

// Filter the inners
outers.map(outer => outer.copy(inners = outer.inners.filter(_.a == "a")))

请注意，我们仅使用 spark-SQL 库来读取 parquet 文件。例如，您可以直接在 DataFrame 上仅选择所需的列，然后再将其映射到 RDD。

dataFrame.select('col1, 'col2).map { row => ... }
于 2015-05-03T11:30:26.370 回答
8

我将给出一个基于 Python 的答案，因为这就是我正在使用的。我认为 Scala 也有类似的东西。

根据Python API 文档，该explode函数是在 Spark 1.4.0 中添加的，用于处理 DataFrame 中的嵌套数组。

创建一个测试数据框：

from pyspark.sql import Row

df = sqlContext.createDataFrame([Row(a=1, intlist=[1,2,3]), Row(a=2, intlist=[4,5,6])])
df.show()

## +-+--------------------+
## |a|             intlist|
## +-+--------------------+
## |1|ArrayBuffer(1, 2, 3)|
## |2|ArrayBuffer(4, 5, 6)|
## +-+--------------------+

用于explode展平列表列：

from pyspark.sql.functions import explode

df.select(df.a, explode(df.intlist)).show()

## +-+---+
## |a|_c0|
## +-+---+
## |1|  1|
## |1|  2|
## |1|  3|
## |2|  4|
## |2|  5|
## |2|  6|
## +-+---+
于 2015-06-19T20:34:44.077 回答
3

另一种方法是使用这样的模式匹配：

val rdd: RDD[(String, List[(String, String)]] = dataFrame.map(_.toSeq.toList match { 
  case List(key: String, inners: Seq[Row]) => key -> inners.map(_.toSeq.toList match {
    case List(a:String, b: String) => (a, b)
  }).toList
})

您可以直接在 Row 上进行模式匹配，但由于某些原因可能会失败。

于 2015-11-04T17:16:24.787 回答
1

以上答案都是很好的答案，从不同的角度解决了这个问题；Spark SQL 也是访问嵌套数据的非常有用的方法。

下面是如何在 SQL 中直接使用explode() 来查询嵌套集合的示例。

SELECT hholdid, tsp.person_seq_no 
FROM (  SELECT hholdid, explode(tsp_ids) as tsp 
        FROM disc_mrt.unified_fact uf
     )

tsp_ids 是一个嵌套的结构，它有很多属性，包括我在上面的外部查询中选择的 person_seq_no。

以上是在 Spark 2.0 中测试的。我做了一个小测试，它在 Spark 1.6 中不起作用。这个问题是在 Spark 2 不存在时被问到的，所以这个答案很好地添加到了处理嵌套结构的可用选项列表中。

还可以查看以下 JIRA 以使用与 Hive 兼容的方式来使用LATERAL VIEW OUTER语法查询嵌套数据，因为 Spark 2.2 还支持OUTER爆炸（例如，当嵌套集合为空时，但您仍希望拥有来自父记录的属性）：

值得注意的是，在explode() 上未解决JIRA 以进行SQL 访问：

于 2016-12-01T06:11:34.280 回答