从 pyspark 中的数据帧构建 StructType

Question

我是新的 spark 和 python，面临着从可以应用于我的数据文件的元数据文件构建模式的困难。 场景：数据文件的元数据文件（csv格式），包含列及其类型：例如：

id,int,10,"","",id,"","",TRUE,"",0
created_at,timestamp,"","","",created_at,"","",FALSE,"",0

我已成功将其转换为如下所示的数据框：

+--------------------+---------------+
|                name|           type|
+--------------------+---------------+
|                  id|  IntegerType()|
|          created_at|TimestampType()|
|          updated_at|   StringType()|

但是当我尝试使用它将其转换为 StructField 格式时

fields = schemaLoansNew.map(lambda l:([StructField(l.name, l.type, 'true')]))

或

schemaList = schemaLoansNew.map(lambda l: ("StructField(" + l.name + "," + l.type + ",true)")).collect()

然后将其转换为 StructType，使用

schemaFinal = StructType(schemaList)

我收到以下错误：

Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/opt/mapr/spark/spark-1.4.1/python/pyspark/sql/types.py", line 372, in __init__
assert all(isinstance(f, DataType) for f in fields), "fields should be a list of DataType"
AssertionError: fields should be a list of DataType

由于我对数据帧缺乏了解，我被困在这个问题上，请您指教，如何继续。 一旦我准备好架构，我想使用 createDataFrame 应用于我的数据文件。 必须为许多表完成此过程，因此我不想对类型进行硬编码，而是使用元数据文件来构建模式，然后应用于 RDD。

提前致谢。

Answer 1

字段的参数必须是DataType对象的列表。 这个：

.map(lambda l:([StructField(l.name, l.type, 'true')]))

生成后collect一个list的lists的tuples （ Rows ）的DataType （ list[list[tuple[DataType]]]更不用说nullable参数应该是布尔值不是字符串。

你的第二次尝试：

.map(lambda l: ("StructField(" + l.name + "," + l.type + ",true)")).

collect str对象list后生成。

您显示的记录的正确架构应该或多或少如下所示：

from pyspark.sql.types import *

StructType([
    StructField("id", IntegerType(), True),
    StructField("created_at", TimestampType(), True),
    StructField("updated_at", StringType(), True)
])

尽管对这样的任务使用分布式数据结构是一种严重的矫枉过正，更不用说效率低下，您可以尝试如下调整您的第一个解决方案：

StructType([
    StructField(name, eval(type), True) for (name, type) in  df.rdd.collect()
])

但它不是特别安全（ eval ）。 从 JSON/字典构建模式可能更容易。 假设您具有从类型描述映射到规范类型名称的函数：

def get_type_name(s: str) -> str:
    """
    >>> get_type_name("int")
    'integer'
    """
    _map = {
        'int': IntegerType().typeName(),
        'timestamp': TimestampType().typeName(),
        # ...
    } 
    return _map.get(s, StringType().typeName())

您可以构建以下形状的字典：

schema_dict = {'fields': [
    {'metadata': {}, 'name': 'id', 'nullable': True, 'type': 'integer'},
    {'metadata': {}, 'name': 'created_at', 'nullable': True, 'type': 'timestamp'}
], 'type': 'struct'}

并将其提供给StructType.fromJson ：

StructType.fromJson(schema_dict)

Answer 2

可以按照以下步骤更改数据类型对象

data_schema=[
    StructField("age", IntegerType(), True),
    StructField("name", StringType(), True)
]



final_struct=StructType(fields=data_schema)

df=spark.read.json('/home/abcde/Python-and-Spark-for-Big-Data-master/Spark_DataFrames/people.json', schema=final_struct)



df.printSchema()

root
 |-- age: integer (nullable = true)
 |-- name: string (nullable = true)

Answer 3

val columns: Array[String] = df1.columns
val reorderedColumnNames: Array[String] = df2.columns //or do the reordering you want
val result: DataFrame = dataFrame.select(reorderedColumnNames.head, reorderedColumnNames.tail: _*)

Answer 4

我是新火花和Python，面临着从可应用于我的数据文件的元数据文件构建架构的难题。 场景：数据文件（csv格式）的元数据文件包含列及其类型：例如：

id,int,10,"","",id,"","",TRUE,"",0
created_at,timestamp,"","","",created_at,"","",FALSE,"",0

我已成功将其转换为如下所示的数据框：

+--------------------+---------------+
|                name|           type|
+--------------------+---------------+
|                  id|  IntegerType()|
|          created_at|TimestampType()|
|          updated_at|   StringType()|

但是当我尝试使用此将其转换为StructField格式时

fields = schemaLoansNew.map(lambda l:([StructField(l.name, l.type, 'true')]))

或者

schemaList = schemaLoansNew.map(lambda l: ("StructField(" + l.name + "," + l.type + ",true)")).collect()

然后使用将其转换为StructType

schemaFinal = StructType(schemaList)

我收到以下错误：

Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/opt/mapr/spark/spark-1.4.1/python/pyspark/sql/types.py", line 372, in __init__
assert all(isinstance(f, DataType) for f in fields), "fields should be a list of DataType"
AssertionError: fields should be a list of DataType

由于缺乏对数据框架的了解，我对此深感困惑，请您指教一下如何进行此操作。 准备好架构后，我想使用createDataFrame应用于我的数据文件。 必须对许多表执行此过程，因此我不想对类型进行硬编码，而是使用元数据文件来构建架构，然后将其应用于RDD。

提前致谢。