嵌套列上的 DataFrame partitionBy答案

【问题标题】：DataFrame partitionBy on nested columns嵌套列上的 DataFrame partitionBy
【发布时间】：2016-11-14 03:27:42
【问题描述】：

我正在尝试在如下嵌套字段上调用 partitionBy：

val rawJson = sqlContext.read.json(filename)
rawJson.write.partitionBy("data.dataDetails.name").parquet(filenameParquet)

我在运行它时收到以下错误。我确实看到“名称”列为以下架构中的字段。是否有不同的格式来指定嵌套的列名？

java.lang.RuntimeException: 在模式 StructType(StructField(name,StringType,true), StructField(time,StringType,true), StructField(data,StructType(StructField(dataDetails, StructType(StructField(name,StringType,true), StructField(id,StringType,true),true)),true))

这是我的 json 文件：

{  
  "name": "AssetName",
  "time": "2016-06-20T11:57:19.4941368-04:00",
  "data": {
    "type": "EventData",
    "dataDetails": {
      "name": "EventName"
      "id": "1234"

    }
  }
}

【问题讨论】：

我也遇到了同样的问题，你解决了吗？

标签： apache-spark apache-spark-sql spark-dataframe

【解决方案1】：

由于该功能在 Spark 2.3.1 中不可用，因此这里有一个解决方法。确保处理嵌套字段和根级别字段之间的名称冲突。

{"date":"20180808","value":{"group":"xxx","team":"yyy"}}

df.select("date","value.group","value.team")
      .write
      .partitionBy("date","group","team")
      .parquet(filenameParquet)

分区结束

date=20180808/group=xxx/team=yyy/part-xxx.parquet

【讨论】：

【解决方案2】：

这似乎是此处列出的已知问题：https://issues.apache.org/jira/browse/SPARK-18084

我也遇到了这个问题，为了解决这个问题，我能够取消嵌套数据集上的列。我的数据集与您的数据集略有不同，但这里是策略...

原始Json：

{  
  "name": "AssetName",
  "time": "2016-06-20T11:57:19.4941368-04:00",
  "data": {
    "type": "EventData",
    "dataDetails": {
      "name": "EventName"
      "id": "1234"

    }
  }
}

修改后的Json：

{  
  "name": "AssetName",
  "time": "2016-06-20T11:57:19.4941368-04:00",
  "data_type": "EventData",
  "data_dataDetails_name" : "EventName",
  "data_dataDetails_id": "1234"
  }
}

获取修改后 Json 的代码：

def main(args: Array[String]) {
  ...

  val data = df.select(children("data", df) ++ $"name" ++ $"time"): _*)

  data.printSchema

  data.write.partitionBy("data_dataDetails_name").format("csv").save(...)
}

def children(colname: String, df: DataFrame) = {
  val parent = df.schema.fields.filter(_.name == colname).head
  val fields = parent.dataType match {
    case x: StructType => x.fields
    case _ => Array.empty[StructField]
  }
  fields.map(x => col(s"$colname.${x.name}").alias(s"$colname" + s"_" + s"${x.name}"))
}

【讨论】：