在 Spark Scala 中从 rdd 推断模式到 Dataframe

Question

这个问题是来自（Spark - creating schema programmatically with different data types）的参考

我正在尝试从 rdd 推断模式到 Dataframe ，下面是我的代码

 def inferType(field: String) = field.split(":")(1) match {
    case "Integer" => IntegerType
    case "Double" => DoubleType
    case "String" => StringType
    case "Timestamp" => TimestampType
    case "Date" => DateType
    case "Long" => LongType
    case _ => StringType
 }


val header = c1:String|c2:String|c3:Double|c4:Integer|c5:String|c6:Timestamp|c7:Long|c8:Date

val df1 = Seq(("a|b|44.44|5|c|2018-01-01 01:00:00|456|2018-01-01")).toDF("data")
val rdd1 = df1.rdd.map(x => Row(x.getString(0).split("\\|"): _*))

val schema = StructType(header.split("\\|").map(column => StructField(column.split(":")(0), inferType(column), true)))
val df = spark.createDataFrame(rdd1, schema)
df.show()

当我表演时，它会抛出以下错误。我必须对更大规模的数据执行此操作并且无法找到正确的解决方案，请您帮我找到解决方案或任何其他方式，我可以实现这一点。

java.lang.RuntimeException: Error while encoding: java.lang.RuntimeException: java.lang.String is not a valid external type for schema of int

提前致谢

Answer 1

简答：不能使用自定义类型/格式指定字符串/文本。

您要做的是将字符串解析为 sql 列。与其他示例的不同之处在于，您尝试从 csv 加载。 工作版本可以这样实现：

// skipped other details such as schematype, spark session...

val header = "c1:String|c2:String|c3:Double|c4:Integer"

// Create `Row` from `Seq`
val row = Row.fromSeq(Seq("a|b|44.44|12|"))

// Create `RDD` from `Row`
val rdd: RDD[Row] = spark.sparkContext
  .makeRDD(List(row))
  .map { row =>
    row.getString(0).split("\\|") match {
      case Array(col1, col2, col3, col4) =>
        Row.fromTuple(col1, col2, col3.toDouble, col4.toInt)
    }
  }
val stt: StructType = StructType(
  header
    .split("\\|")
    .map(column => StructField(column, inferType(column), true))
)

val dataFrame = spark.createDataFrame(rdd, stt)
dataFrame.show()

从 Scala 类型创建 Row 的原因是在此处引入兼容类型或 Row 受尊重的类型。
注意我跳过了与日期和时间相关的字段，日期转换很棘手。您可以查看我的另一个答案如何使用格式化日期和时间戳here