在 Spark 中创建给定模式的空数组列

Question

由于 parquet 无法解析空数组，我在写表之前将空数组替换为 null。现在，当我阅读表格时，我想做相反的事情：

我有一个具有以下架构的 DataFrame：

|-- id: long (nullable = false)
 |-- arr: array (nullable = true)
 |    |-- element: struct (containsNull = true)
 |    |    |-- x: double (nullable = true)
 |    |    |-- y: double (nullable = true)

以及以下内容：

+---+-----------+
| id|        arr|
+---+-----------+
|  1|[[1.0,2.0]]|
|  2|       null|
+---+-----------+

我想将空数组 (id=2) 替换为空数组，即

+---+-----------+
| id|        arr|
+---+-----------+
|  1|[[1.0,2.0]]|
|  2|         []|
+---+-----------+

我试过了：

val arrSchema = df.schema(1).dataType

df
.withColumn("arr",when($"arr".isNull,array().cast(arrSchema)).otherwise($"arr"))
.show()

给出：

java.lang.ClassCastException: org.apache.spark.sql.types.NullType$ 无法转换为 org.apache.spark.sql.types.StructType

编辑：我不想“硬编码”我的数组列的任何架构（至少不是结构的架构），因为这可能因情况而异。我只能在运行时使用来自df 的架构信息

顺便说一句，我使用的是 Spark 2.1，因此我无法使用 typedLit

Answer 1

• 具有已知外部类型的 Spark 2.2+

  一般你可以使用typedLit来提供空数组。

  import org.apache.spark.sql.functions.typedLit
  
  typedLit(Seq.empty[(Double, Double)])
  

  要为嵌套对象使用特定名称，您可以使用案例类：

  case class Item(x: Double, y: Double)
  
  typedLit(Seq.empty[Item])
  

  或rename by cast:

  typedLit(Seq.empty[(Double, Double)])
    .cast("array<struct<x: Double, y: Double>>")
  

• Spark 2.1+ 仅带有架构

  只有架构你可以尝试：

  val schema = StructType(Seq(
    StructField("arr", StructType(Seq(
      StructField("x", DoubleType),
      StructField("y", DoubleType)
    )))
  ))
  
  def arrayOfSchema(schema: StructType) =
    from_json(lit("""{"arr": []}"""), schema)("arr")
  
  arrayOfSchema(schema).alias("arr")
  

  其中schema 可以从现有的DataFrame 中提取并用额外的StructType 包装：

  StructType(Seq(
    StructField("arr", df.schema("arr").dataType)
  ))
  

Answer 2

一种方法是使用 UDF：

val arrSchema = df.schema(1).dataType // ArrayType(StructType(StructField(x,DoubleType,true), StructField(y,DoubleType,true)),true)

val emptyArr = udf(() => Seq.empty[Any],arrSchema)

df
.withColumn("arr",when($"arr".isNull,emptyArr()).otherwise($"arr"))
.show()

+---+-----------+
| id|        arr|
+---+-----------+
|  1|[[1.0,2.0]]|
|  2|         []|
+---+-----------+

Answer 3

另一种方法是使用coalesce:

val df = Seq(
  (Some(1), Some(Array((1.0, 2.0)))),
  (Some(2), None)
).toDF("id", "arr")

df.withColumn("arr", coalesce($"arr", typedLit(Array.empty[(Double, Double)]))).
  show
// +---+-----------+
// | id|        arr|
// +---+-----------+
// |  1|[[1.0,2.0]]|
// |  2|         []|
// +---+-----------+

Answer 4

带有案例类的 UDF 也可能很有趣：

case class Item(x: Double, y: Double)
val udf_emptyArr = udf(() => Seq[Item]())
df
.withColumn("arr",coalesce($"arr",udf_emptyArr()))
.show()