获取 RDD[Array[String]] 的一列并将其转换为数据集/数据帧答案

【问题标题】：Obtaining one column of a RDD[Array[String]] and converting it to dataset/dataframe获取 RDD[Array[String]] 的一列并将其转换为数据集/数据帧
【发布时间】：2017-12-04 10:17:24
【问题描述】：

我有一个读入 RDD 的 .csv 文件：

val dataH = sc.textFile(filepath).map(line => line.split(",").map(elem => elem.trim))

我想按顺序迭代这个 RDD 并比较相邻元素，这个比较只依赖于数据结构的一列。不可能迭代 RDD，因此，想法是首先将 RDD 的列转换为 Dataset 或 Dataframe。

您可以将 RDD 转换为这样的数据集（如果我的结构是 RDD[Array[String]]，这将不起作用：

val sc = new SparkContext(conf)  
val sqc = new SQLContext(sc)
import sqc.implicits._
val lines = sqc.createDataset(dataH)

如何从dataH 获取我感兴趣的一列，然后仅从中创建数据集？

我使用的是 Spark 1.6.0。

【问题讨论】：

您使用的是哪个 spark 版本？
Spark 1.6，忘了说，抱歉！
不清楚你在问什么，你能举个例子（输入，预期输出）吗？
我有一个包含几列的 .csv 文件。我将其映射到由 Array[String] 组成的 RDD，其中 RDD 中的每个元素都是 csv 表中的一行。我想遍历表，但是因为我只需要考虑一列，我想将 RDD [Array [String]] 的一列转换为 Dataset [String]。（或 Dataframe，如果它更容易/更好）

标签： scala apache-spark rdd

【解决方案1】：

您可以将您的 Array 映射到所需的索引，例如：

dataH.map(arr => arr(0)).toDF("col1")

或者更安全（避免索引超出范围的异常）：

dataH.map(arr => arr.lift(0).orElse(None)).toDF("col1")

【讨论】：

谢谢，这很好用！猜猜我将使用 Dataframe 而不是 Dataset
@osk 你也可以创建一个数据集（只使用toDS而不是toDF("col1")），但是数据集在Spark 2之前只是实验性的