scala - spark - Cómo agregar una nueva columna Struct a un DataFrame

spark scala sql

Question

Actualmente estoy intentando extraer una base de datos de MongoDB y usar Spark para ingerir en ElasticSearch con geo_points .

La base de datos Mongo tiene valores de latitud y longitud, pero ElasticSearch requiere que se conviertan en el tipo geo_point .

¿Hay una manera en Spark para copiar las columnas lat y lon a una nueva columna que es una array o struct ?

Cualquier ayuda es apreciada!

Answer 1

Prueba esto:

import org.apache.spark.sql.functions._

df.registerTempTable("dt")

dfres = sql("select struct(lat,lon) as colName from dt")

Answer 2

Supongo que empiezas con algún tipo de esquema plano como este:

root
 |-- lat: double (nullable = false)
 |-- long: double (nullable = false)
 |-- key: string (nullable = false)

Primero vamos a crear datos de ejemplo:

import org.apache.spark.sql.Row
import org.apache.spark.sql.functions.{col, udf}
import org.apache.spark.sql.types._

val rdd = sc.parallelize(
    Row(52.23, 21.01, "Warsaw") :: Row(42.30, 9.15, "Corte") :: Nil)

val schema = StructType(
    StructField("lat", DoubleType, false) ::
    StructField("long", DoubleType, false) ::
    StructField("key", StringType, false) ::Nil)

val df = sqlContext.createDataFrame(rdd, schema)

Una forma fácil es usar una clase udf y case:

case class Location(lat: Double, long: Double)
val makeLocation = udf((lat: Double, long: Double) => Location(lat, long))

val dfRes = df.
   withColumn("location", makeLocation(col("lat"), col("long"))).
   drop("lat").
   drop("long")

dfRes.printSchema

y obtenemos

root
 |-- key: string (nullable = false)
 |-- location: struct (nullable = true)
 |    |-- lat: double (nullable = false)
 |    |-- long: double (nullable = false)

Una manera difícil es transformar sus datos y aplicar el esquema después:

val rddRes = df.
    map{case Row(lat, long, key) => Row(key, Row(lat, long))}

val schemaRes = StructType(
    StructField("key", StringType, false) ::
    StructField("location", StructType(
        StructField("lat", DoubleType, false) ::
        StructField("long", DoubleType, false) :: Nil
    ), true) :: Nil 
)

sqlContext.createDataFrame(rddRes, schemaRes).show

y obtenemos una salida esperada

+------+-------------+
|   key|     location|
+------+-------------+
|Warsaw|[52.23,21.01]|
| Corte|  [42.3,9.15]|
+------+-------------+

Crear esquemas anidados desde cero puede ser tedioso, así que si puede recomendar el primer enfoque. Se puede extender fácilmente si necesita una estructura más sofisticada:

case class Pin(location: Location)
val makePin = udf((lat: Double, long: Double) => Pin(Location(lat, long))

df.
    withColumn("pin", makePin(col("lat"), col("long"))).
    drop("lat").
    drop("long").
    printSchema

y obtenemos la salida esperada:

root
 |-- key: string (nullable = false)
 |-- pin: struct (nullable = true)
 |    |-- location: struct (nullable = true)
 |    |    |-- lat: double (nullable = false)
 |    |    |-- long: double (nullable = false)

Desafortunadamente, no tiene control sobre el campo que puede contener nullable , por lo que si es importante para su proyecto, tendrá que especificar el esquema.

Finalmente puedes usar la función struct introducida en 1.4:

import org.apache.spark.sql.functions.struct

df.select($"key", struct($"lat", $"long").alias("location"))