如何最有效地将 Scala DataFrame 的行转换为案例类？

Question

在 Spark 中获得一些 Row 类（Dataframe 或 Catalyst）后，我想在我的代码中将其转换为案例类。这可以通过匹配来完成

someRow match {case Row(a:Long,b:String,c:Double) => myCaseClass(a,b,c)}

但是当行有大量列时，它会变得很难看，比如十几个双精度数、一些布尔值甚至偶尔的空值。

我希望能够 - 抱歉 - 将 Row 转换为 myCaseClass。有没有可能，或者我已经得到了最经济的语法？

Answer 1

DataFrame 只是 Dataset[Row] 的类型别名。与强类型化 Scala/Java 数据集附带的“类型化转换”相比，这些操作也称为“非类型化转换”。

在 spark 中从 Dataset[Row] 到 Dataset[Person] 的转换非常简单

val DFtoProcess = SQLContext.sql("SELECT * FROM peoples WHERE name='test'")

此时，Spark 会将您的数据转换为 DataFrame = Dataset[Row]，这是一个通用 Row 对象的集合，因为它不知道确切的类型。

// Create an Encoders for Java class (In my eg. Person is a JAVA class)
// For scala case class you can pass Person without .class reference
val personEncoder = Encoders.bean(Person.class) 

val DStoProcess = DFtoProcess.as[Person](personEncoder)

现在，Spark 转换 Dataset[Row] -> Dataset[Person] 类型特定的 Scala / Java JVM 对象，由 Person 类指定。

详情请参考以下databricks提供的链接

https://databricks.com/blog/2016/07/14/a-tale-of-three-apache-spark-apis-rdds-dataframes-and-datasets.html

Answer 2

据我所知，您不能将 Row 强制转换为案例类，但我有时会选择直接访问行字段，例如

map(row => myCaseClass(row.getLong(0), row.getString(1), row.getDouble(2))

我发现这更容易，特别是如果案例类构造函数只需要行中的一些字段。

Answer 3

scala> import spark.implicits._    
scala> val df = Seq((1, "james"), (2, "tony")).toDF("id", "name")
df: org.apache.spark.sql.DataFrame = [id: int, name: string]

scala> case class Student(id: Int, name: String)
defined class Student

scala> df.as[Student].collectAsList
res6: java.util.List[Student] = [Student(1,james), Student(2,tony)]

这里spark.implicits._ 中的spark 是您的SparkSession。如果您在 REPL 中，则会话已定义为 spark，否则您需要相应地调整名称以对应您的 SparkSession。

Answer 4

当然，您可以将 Row 对象匹配到案例类中。假设您的 SchemaType 有许多字段，并且您希望将其中一些字段匹配到您的案例类中。 如果你没有空字段，你可以简单地做：

case class MyClass(a: Long, b: String, c: Int, d: String, e: String)

dataframe.map {
  case Row(a: java.math.BigDecimal, 
    b: String, 
    c: Int, 
    _: String,
    _: java.sql.Date, 
    e: java.sql.Date,
    _: java.sql.Timestamp, 
    _: java.sql.Timestamp, 
    _: java.math.BigDecimal, 
    _: String) => MyClass(a = a.longValue(), b = b, c = c, d = d.toString, e = e.toString)
}

这种方法在空值的情况下会失败，并且还需要您明确定义每个字段的类型。 如果您必须处理空值，则需要丢弃所有包含空值的行

dataframe.na.drop()

即使空字段不是在您的案例类的模式匹配中使用的字段，也会删除记录。 或者，如果您想处理它，您可以将 Row 对象转换为 List，然后使用选项模式：

case class MyClass(a: Long, b: String, c: Option[Int], d: String, e: String)

dataframe.map(_.toSeq.toList match {
  case List(a: java.math.BigDecimal, 
    b: String, 
    c: Int, 
    _: String,
    _: java.sql.Date, 
    e: java.sql.Date,
    _: java.sql.Timestamp, 
    _: java.sql.Timestamp, 
    _: java.math.BigDecimal, 
    _: String) => MyClass(
      a = a.longValue(), b = b, c = Option(c), d = d.toString, e = e.toString)
}

查看这个 github 项目 Sparkz()，它将很快引入许多用于简化 Spark 和 DataFrame API 并使它们更加面向函数式编程的库。