Spark将自定义架构应用于DataFrame

Question

我在Parquet文件中有一个数据，想要对它应用自定义架构。

我在Parquet中的初始数据如下所示，

root
 |-- CUST_ID: decimal(9,0) (nullable = true)
 |-- INACTV_DT: string (nullable = true)
 |-- UPDT_DT: string (nullable = true)
 |-- ACTV_DT: string (nullable = true)
 |-- PMT_AMT: decimal(9,4) (nullable = true)
 |-- CMT_ID: decimal(38,14) (nullable = true)

我的自定义架构如下

root
 |-- CUST_ID: decimal(38,0) (nullable = false)
 |-- INACTV_DT: timestamp (nullable = false)
 |-- UPDT_DT: timestamp (nullable = false)
 |-- ACTV_DT: timestamp (nullable = true)
 |-- PMT_AMT: decimal(19,4) (nullable = true)
 |-- CMT_ID: decimal(38,14) (nullable = false)

下面是我的代码，将新的数据框架应用于它

val customSchema = getOracleDBSchema(sparkSession, QUERY).schema
val DF_frmOldParkquet = sqlContext_par.read.parquet("src/main/resources/data_0_0_0.parquet")
val rows: RDD[Row] = DF_frmOldParkquet.rdd
val newDataFrame = sparkSession.sqlContext.createDataFrame(rows, tblSchema)
newDataFrame.printSchema()
newDataFrame.show()

执行此操作时，我遇到错误。

java.lang.RuntimeException: Error while encoding: java.lang.RuntimeException: java.lang.String is not a valid external type for schema of timestamp
staticinvoke(class org.apache.spark.sql.types.Decimal$, DecimalType(38,0), fromDecimal, validateexternaltype(getexternalrowfield(assertnotnull(input[0, org.apache.spark.sql.Row, true]), 0, CUST_ID), DecimalType(38,0)), true) AS CUST_ID#27

Answer 1

Spark SQL中有两种主要的模式应用程序

• 传递给DataFrameReader schema方法的schema参数，该DataFrameReader用于转换某些格式的数据（主要是纯文本文件）。 在这种情况下，模式可用于自动转换输入记录。
• schema传递给自变量createDataFrame （其采取变体RDD或List的Rows的的） SparkSession 。 在这种情况下，模式必须符合数据，并且不用于强制转换。

上述情况均不适用于您的情况：

• 输入是强类型的，因此如果存在schema ，那么读者将忽略它。

• 模式与数据不匹配，因此不能用于createDataFrame 。

在这种情况下，您应该cast每一列都强制转换为所需的类型。 假设类型兼容，这样的事情应该起作用

val newDataFrame = df.schema.fields.foldLeft(df){ 
  (df, s) => df.withColumn(s.name, df(s.name).cast(s.dataType))     
}

根据数据的格式，这是否足够？ 例如，如果应转换为时间戳记的字段不使用标准格式，则强制转换将不起作用，并且您必须使用Spark日期时间处理实用程序。