web-dev-qa-db-fra.com

Interrogation de Spark SQL DataFrame avec des types complexes

Comment interroger un RDD avec des types complexes tels que des mappes/des tableaux?

case class Test(name: String, map: Map[String, String])
val map = Map("hello" -> "world", "hey" -> "there")
val map2 = Map("hello" -> "people", "hey" -> "you")
val rdd = sc.parallelize(Array(Test("first", map), Test("second", map2)))

Je pensais que la syntaxe serait quelque chose comme:

sqlContext.sql("SELECT * FROM rdd WHERE map.hello = world")

ou

sqlContext.sql("SELECT * FROM rdd WHERE map[hello] = world")

mais je reçois

Impossible d'accéder au champ imbriqué de type MapType (StringType, StringType, true)

et

org.Apache.spark.sql.catalyst.errors.package $ TreeNodeException: attributs non résolus

respectivement.

sqlscalaapache-sparkdataframeapache-spark-sql
46
dvir

Cela dépend du type de la colonne. Commençons par quelques données factices: 

import org.Apache.spark.sql.functions.{udf, lit}
import scala.util.Try

case class SubRecord(x: Int)
case class ArrayElement(foo: String, bar: Int, vals: Array[Double])
case class Record(
  an_array: Array[Int], a_map: Map[String, String], 
  a_struct: SubRecord, an_array_of_structs: Array[ArrayElement])


val df = sc.parallelize(Seq(
  Record(Array(1, 2, 3), Map("foo" -> "bar"), SubRecord(1),
         Array(
           ArrayElement("foo", 1, Array(1.0, 2.0, 2.0)),
           ArrayElement("bar", 2, Array(3.0, 4.0, 5.0)))),
  Record(Array(4, 5, 6), Map("foz" -> "baz"), SubRecord(2),
         Array(ArrayElement("foz", 3, Array(5.0, 6.0)), 
               ArrayElement("baz", 4, Array(7.0, 8.0))))
)).toDF

df.registerTempTable("df")
df.printSchema

// root
// |-- an_array: array (nullable = true)
// |    |-- element: integer (containsNull = false)
// |-- a_map: map (nullable = true)
// |    |-- key: string
// |    |-- value: string (valueContainsNull = true)
// |-- a_struct: struct (nullable = true)
// |    |-- x: integer (nullable = false)
// |-- an_array_of_structs: array (nullable = true)
// |    |-- element: struct (containsNull = true)
// |    |    |-- foo: string (nullable = true)
// |    |    |-- bar: integer (nullable = false)
// |    |    |-- vals: array (nullable = true)
// |    |    |    |-- element: double (containsNull = false)

  • tableau (ArrayType) colonnes:

    • Column.getItem méthode

      df.select($"an_array".getItem(1)).show

// +-----------+
// |an_array[1]|
// +-----------+
// |          2|
// |          5|
// +-----------+

    • Syntaxe des crochets de ruche:

      sqlContext.sql("SELECT an_array[1] FROM df").show

// +---+
// |_c0|
// +---+
// |  2|
// |  5|
// +---+

    • une UDF

      val get_ith = udf((xs: Seq[Int], i: Int) => Try(xs(i)).toOption)

df.select(get_ith($"an_array", lit(1))).show

// +---------------+
// |UDF(an_array,1)|
// +---------------+
// |              2|
// |              5|
// +---------------+

    • Outre les méthodes répertoriées ci-dessus, Spark prend en charge une liste croissante de fonctions intégrées fonctionnant sur des types complexes. Des exemples notables incluent des fonctions d'ordre supérieur telles que transform (SQL uniquement, 2.4+):

      df.selectExpr("transform(an_array, x -> x + 1) an_array_inc").show
// +------------+
// |an_array_inc|
// +------------+
// |   [2, 3, 4]|
// |   [5, 6, 7]|
// +------------+

    • filter (SQL uniquement, 2.4+)

      df.selectExpr("filter(an_array, x -> x % 2 == 0) an_array_even").show
// +-------------+
// |an_array_even|
// +-------------+
// |          [2]|
// |       [4, 6]|
// +-------------+

    • aggregate (SQL uniquement, 2.4+):

      df.selectExpr("aggregate(an_array, 0, (acc, x) -> acc + x, acc -> acc) an_array_sum").show
// +------------+
// |an_array_sum|
// +------------+
// |           6|
// |          15|
// +------------+

    • fonctions de traitement de tableau (array_*) comme array_distinct (2.4+):

      import org.Apache.spark.sql.functions.array_distinct

df.select(array_distinct($"an_array_of_structs.vals"(0))).show
// +-------------------------------------------+
// |array_distinct(an_array_of_structs.vals[0])|
// +-------------------------------------------+
// |                                 [1.0, 2.0]|
// |                                 [5.0, 6.0]|
// +-------------------------------------------+

    • array_max (array_min, 2.4+):

      import org.Apache.spark.sql.functions.array_max

df.select(array_max($"an_array")).show
// +-------------------+
// |array_max(an_array)|
// +-------------------+
// |                  3|
// |                  6|
// +-------------------+

    • flatten (2.4+)

      import org.Apache.spark.sql.functions.flatten

df.select(flatten($"an_array_of_structs.vals")).show
// +---------------------------------+
// |flatten(an_array_of_structs.vals)|
// +---------------------------------+
// |             [1.0, 2.0, 2.0, 3...|
// |             [5.0, 6.0, 7.0, 8.0]|
// +---------------------------------+

    • arrays_Zip (2.4+):

      import org.Apache.spark.sql.functions.arrays_Zip

df.select(arrays_Zip($"an_array_of_structs.vals"(0), $"an_array_of_structs.vals"(1))).show(false)
// +--------------------------------------------------------------------+
// |arrays_Zip(an_array_of_structs.vals[0], an_array_of_structs.vals[1])|
// +--------------------------------------------------------------------+
// |[[1.0, 3.0], [2.0, 4.0], [2.0, 5.0]]                                |
// |[[5.0, 7.0], [6.0, 8.0]]                                            |
// +--------------------------------------------------------------------+

    • array_union (2.4+):

      import org.Apache.spark.sql.functions.array_union

df.select(array_union($"an_array_of_structs.vals"(0), $"an_array_of_structs.vals"(1))).show
// +---------------------------------------------------------------------+
// |array_union(an_array_of_structs.vals[0], an_array_of_structs.vals[1])|
// +---------------------------------------------------------------------+
// |                                                 [1.0, 2.0, 3.0, 4...|
// |                                                 [5.0, 6.0, 7.0, 8.0]|
// +---------------------------------------------------------------------+

    • slice (2.4+):

      import org.Apache.spark.sql.functions.slice

df.select(slice($"an_array", 2, 2)).show
// +---------------------+
// |slice(an_array, 2, 2)|
// +---------------------+
// |               [2, 3]|
// |               [5, 6]|
// +---------------------+

  • map (MapType) colonnes

    • en utilisant la méthode Column.getField:

      df.select($"a_map".getField("foo")).show

// +----------+
// |a_map[foo]|
// +----------+
// |       bar|
// |      null|
// +----------+

    • en utilisant la syntaxe des crochets Hive:

      sqlContext.sql("SELECT a_map['foz'] FROM df").show

// +----+
// | _c0|
// +----+
// |null|
// | baz|
// +----+

    • en utilisant un chemin complet avec la syntaxe à points:

      df.select($"a_map.foo").show

// +----+
// | foo|
// +----+
// | bar|
// |null|
// +----+

    • en utilisant un UDF

      val get_field = udf((kvs: Map[String, String], k: String) => kvs.get(k))

df.select(get_field($"a_map", lit("foo"))).show

// +--------------+
// |UDF(a_map,foo)|
// +--------------+
// |           bar|
// |          null|
// +--------------+

    • Nombre croissant de fonctions map_* telles que map_keys (2.3+)

      import org.Apache.spark.sql.functions.map_keys

df.select(map_keys($"a_map")).show
// +---------------+
// |map_keys(a_map)|
// +---------------+
// |          [foo]|
// |          [foz]|
// +---------------+

    • ou map_values (2.3+)

      import org.Apache.spark.sql.functions.map_values

df.select(map_values($"a_map")).show
// +-----------------+
// |map_values(a_map)|
// +-----------------+
// |            [bar]|
// |            [baz]|
// +-----------------+

    Veuillez vérifier SPARK-23899 pour une liste détaillée.

  • colonnes struct (StructType) utilisant un chemin complet avec une syntaxe à points:

    • avec l'API DataFrame

      df.select($"a_struct.x").show

// +---+
// |  x|
// +---+
// |  1|
// |  2|
// +---+

    • avec du SQL brut

      sqlContext.sql("SELECT a_struct.x FROM df").show

// +---+
// |  x|
// +---+
// |  1|
// |  2|
// +---+

  • les champs à l'intérieur du tableau de structs peuvent être accédés en utilisant la syntaxe à point, les noms et les méthodes Column standard:

    df.select($"an_array_of_structs.foo").show

// +----------+
// |       foo|
// +----------+
// |[foo, bar]|
// |[foz, baz]|
// +----------+

sqlContext.sql("SELECT an_array_of_structs[0].foo FROM df").show

// +---+
// |_c0|
// +---+
// |foo|
// |foz|
// +---+

df.select($"an_array_of_structs.vals".getItem(1).getItem(1)).show

// +------------------------------+
// |an_array_of_structs.vals[1][1]|
// +------------------------------+
// |                           4.0|
// |                           8.0|
// +------------------------------+

  • les champs de types définis par l'utilisateur (UDT) sont accessibles via les fonctions UDF. Voir les attributs de référence SparkSQL de UDT pour plus de détails.

Remarques:

  • en fonction de la version de Spark, certaines de ces méthodes ne peuvent être disponibles qu'avec HiveContext. Les fonctions utilisateur doivent fonctionner indépendamment de la version avec les variables standard SQLContext et HiveContext.

  • en règle générale, les valeurs imbriquées sont des citoyens de seconde classe. Toutes les opérations typiques ne sont pas prises en charge sur les champs imbriqués. En fonction du contexte, il peut être préférable d’aplatir le schéma et/ou d’exploser des collections.

    df.select(explode($"an_array_of_structs")).show

// +--------------------+
// |                 col|
// +--------------------+
// |[foo,1,WrappedArr...|
// |[bar,2,WrappedArr...|
// |[foz,3,WrappedArr...|
// |[baz,4,WrappedArr...|
// +--------------------+

  • La syntaxe à points peut être combinée avec un caractère générique (*) pour sélectionner (éventuellement plusieurs) champs sans spécifier explicitement les noms:

    df.select($"a_struct.*").show
// +---+
// |  x|
// +---+
// |  1|
// |  2|
// +---+

  • Les colonnes JSON peuvent être interrogées à l'aide des fonctions get_json_object et from_json. Voir Comment interroger une colonne de données JSON à l'aide de Spark DataFrames? pour plus de détails.

119
zero323

Une fois que vous le convertissez en DF, vous pouvez simplement récupérer les données en tant que 

  val rddRow= rdd.map(kv=>{
    val k = kv._1
    val v = kv._2
    Row(k, v)
  })

val myFld1 =  StructField("name", org.Apache.spark.sql.types.StringType, true)
val myFld2 =  StructField("map", org.Apache.spark.sql.types.MapType(StringType, StringType), true)
val arr = Array( myFld1, myFld2)
val schema = StructType( arr )
val rowrddDF = sqc.createDataFrame(rddRow, schema)
rowrddDF.registerTempTable("rowtbl")  
val rowrddDFFinal = rowrddDF.select(rowrddDF("map.one"))
or
val rowrddDFFinal = rowrddDF.select("map.one")
2
sshroff

voici ce que j'ai fait et cela a fonctionné

case class Test(name: String, m: Map[String, String])
val map = Map("hello" -> "world", "hey" -> "there")
val map2 = Map("hello" -> "people", "hey" -> "you")
val rdd = sc.parallelize(Array(Test("first", map), Test("second", map2)))
val rdddf = rdd.toDF
rdddf.registerTempTable("mytable")
sqlContext.sql("select m.hello from mytable").show

Résultats

+------+
| hello|
+------+
| world|
|people|
+------+
0
Sumit Pal