Как добавить новый столбец Struct в DataFrame

В настоящее время я пытаюсь извлечь базу данных из MongoDB и использовать Spark для входа в ElasticSearch с помощью geo_points.

База данных Mongo имеет значения широты и долготы, но ElasticSearch требует их включения в тип geo_point.

Есть ли способ в Spark скопировать столбцы lat и lon в новый столбец, который является array или struct?

Любая помощь приветствуется!

Ответ 1

Я предполагаю, что вы начинаете с какой-то плоской схемы вроде этого:

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

Сначала создадим данные примера:

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)

Простым способом является использование класса udf и 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

и получим

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

Жесткий путь - преобразовать ваши данные и применить схему впоследствии:

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

и мы получаем ожидаемый результат

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

Создание вложенной схемы с нуля может быть утомительным, поэтому, если можно, я бы рекомендовал первый подход. Он может быть легко расширен, если вам нужна более сложная структура:

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

и мы получим ожидаемый результат:

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

К сожалению, у вас нет контроля над полем nullable, поэтому, если это важно для вашего проекта, вам нужно будет указать схему.

Наконец, вы можете использовать функцию struct, введенную в 1.4:

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

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

Ответ 2

Попробуйте следующее:

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

df.registerTempTable("dt")

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