如何最有效地将Scala DataFrame的Row转换为case类？

Question

一旦我在Spark中获得了一些Row类，无论是Dataframe还是Catalyst，我想将它转换为我的代码中的case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)}

但是当行有大量的列，比如十几个双打，一些布尔，甚至偶尔的空位时，它变得丑陋。

我想能够将-all-cast转换为myCaseClass。 是否可能，或者我已经获得了最经济的语法？

Answer 1

DataFrame只是Dataset [Row]的类型别名。 与强类型Scala / Java数据集一起提供的“类型转换”相比，这些操作也称为“无类型转换”。

从数据集[Row]到Dataset [Person]的转换在spark中非常简单

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

此时，Spark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。

有关详细信息，请参阅databricks提供的以下链接

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，你不能将一行写入一个案例类，但我有时会选择直接访问行字段，比如

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

我发现这更容易，特别是如果case类构造函数只需要行中的某些字段。

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)]

spark.implicits._的spark是你的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有很多字段，并且您希望将它们中的一些匹配到您的案例类中。 如果您没有空字段，则可以执行以下操作：

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)
}

在空值的情况下，此方法将失败，并且还要求您明确定义每个单个字段的类型。 如果必须处理空值，则需要通过执行操作丢弃包含空值的所有行

dataframe.na.drop()

即使空字段不是您的案例类的模式匹配中使用的空字段，也会丢弃记录。 或者，如果要处理它，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)
}

检查这个github项目Sparkz（），它将很快引入很多库来简化Spark和DataFrame API，并使它们更具功能性。