查询具有复杂类型的Spark SQL DataFrame

Question

如何查询具有复杂类型（如地图/数组）的RDD？例如，当我编写此测试代码时：

case class Test(name: String, map: Map[String, String])
val map = Map("hello" -> "world", "hey" -> "there")
val map2 = Map("hello" -> "people", "hey" -> "you")
val rdd = sc.parallelize(Array(Test("first", map), Test("second", map2)))

我认为语法应该是这样的：

sqlContext.sql("SELECT * FROM rdd WHERE map.hello = world")

或者

sqlContext.sql("SELECT * FROM rdd WHERE map[hello] = world")

但是我明白了

无法访问类型为MapType（StringType，StringType，true）的嵌套字段

和

org.apache.spark.sql.catalyst.errors.package $ TreeNodeException：无法解析的属性

分别。

Answer 1

它取决于列的类型。让我们从一些虚拟数据开始：

import org.apache.spark.sql.functions.{udf, lit}
import scala.util.Try

case class SubRecord(x: Int)
case class ArrayElement(foo: String, bar: Int, vals: Array[Double])
case class Record(
  an_array: Array[Int], a_map: Map[String, String], 
  a_struct: SubRecord, an_array_of_structs: Array[ArrayElement])


val df = sc.parallelize(Seq(
  Record(Array(1, 2, 3), Map("foo" -> "bar"), SubRecord(1),
         Array(
           ArrayElement("foo", 1, Array(1.0, 2.0, 2.0)),
           ArrayElement("bar", 2, Array(3.0, 4.0, 5.0)))),
  Record(Array(4, 5, 6), Map("foz" -> "baz"), SubRecord(2),
         Array(ArrayElement("foz", 3, Array(5.0, 6.0)), 
               ArrayElement("baz", 4, Array(7.0, 8.0))))
)).toDF



df.registerTempTable("df")
df.printSchema

// root
// |-- an_array: array (nullable = true)
// |    |-- element: integer (containsNull = false)
// |-- a_map: map (nullable = true)
// |    |-- key: string
// |    |-- value: string (valueContainsNull = true)
// |-- a_struct: struct (nullable = true)
// |    |-- x: integer (nullable = false)
// |-- an_array_of_structs: array (nullable = true)
// |    |-- element: struct (containsNull = true)
// |    |    |-- foo: string (nullable = true)
// |    |    |-- bar: integer (nullable = false)
// |    |    |-- vals: array (nullable = true)
// |    |    |    |-- element: double (containsNull = false)

• 数组（ArrayType）列：

  • Column.getItem 方法

        df.select($"an_array".getItem(1)).show
    

    // +-----------+
    // |an_array[1]|
    // +-----------+
    // | 2|
    // | 5|
    // +-----------+
    
    
    

  • 蜂巢括号语法：

        sqlContext.sql("SELECT an_array[1] FROM df").show
    

    // +—+
    // |_c0|
    // +—+
    // | 2|
    // | 5|
    // +—+

  • 一个UDF

        val get_ith = udf((xs: Seq[Int], i: Int) => Try(xs(i)).toOption)
    

    df.select(get_ith($”an_array”, lit(1))).show

    // +---------------+
    // |UDF(an_array,1)|
    // +---------------+
    // | 2|
    // | 5|
    // +---------------+

  • 除了上面列出的方法外，Spark还支持越来越多的对复杂类型进行操作的内置函数。值得注意的示例包括更高阶的函数，例如transform（SQL 2.4 +，Scala 3.0 +，PySpark / SparkR 3.1+）：

        df.selectExpr("transform(an_array, x -> x + 1) an_array_inc").show
    

    // +------------+
    // |an_array_inc|
    // +------------+
    // | [2, 3, 4]|
    // | [5, 6, 7]|
    // +------------+

    import org.apache.spark.sql.functions.transform

    df.select(transform($”an_array”, x => x + 1) as “an_array_inc”).show
    // +------------+
    // |an_array_inc|
    // +------------+
    // | [2, 3, 4]|
    // | [5, 6, 7]|
    // +------------+

  • filter （SQL 2.4以上版本，Scala 3.0以上版本，Python / SparkR 3.1以上版本）

        df.selectExpr("filter(an_array, x -> x % 2 == 0) an_array_even").show
    

    // +-------------+
    // |an_array_even|
    // +-------------+
    // | [2]|
    // | [4, 6]|
    // +-------------+

    import org.apache.spark.sql.functions.filter

    df.select(filter($”an_array”, x => x % 2 === 0) as “an_array_even”).show
    // +-------------+
    // |an_array_even|
    // +-------------+
    // | [2]|
    // | [4, 6]|
    // +-------------+

  • aggregate （SQL 2.4以上版本，Scala 3.0以上版本，PySpark / SparkR 3.1以上版本）：

        df.selectExpr("aggregate(an_array, 0, (acc, x) -> acc + x, acc -> acc) an_array_sum").show
    

    // +------------+
    // |an_array_sum|
    // +------------+
    // | 6|
    // | 15|
    // +------------+

    import org.apache.spark.sql.functions.aggregate

    df.select(aggregate($”an_array”, lit(0), (x, y) => x + y) as “an_array_sum”).show
    // +------------+
    // |an_array_sum|
    // +------------+
    // | 6|
    // | 15|
    // +------------+

  • 数组处理函数（array_*），如array_distinct（2.4+）：

        import org.apache.spark.sql.functions.array_distinct
    

    df.select(array_distinct($”an_array_of_structs.vals”(0))).show
    // +-------------------------------------------+
    // |array_distinct(an_array_of_structs.vals[0])|
    // +-------------------------------------------+
    // | [1.0, 2.0]|
    // | [5.0, 6.0]|
    // +-------------------------------------------+

  • array_max（array_min，2.4+）：

        import org.apache.spark.sql.functions.array_max
    

    df.select(array_max($”an_array”)).show
    // +-------------------+
    // |array_max(an_array)|
    // +-------------------+
    // | 3|
    // | 6|
    // +-------------------+

  • flatten （2.4+）

        import org.apache.spark.sql.functions.flatten
    

    df.select(flatten($”an_array_of_structs.vals”)).show
    // +---------------------------------+
    // |flatten(an_array_of_structs.vals)|
    // +---------------------------------+
    // | [1.0, 2.0, 2.0, 3…|
    // | [5.0, 6.0, 7.0, 8.0]|
    // +---------------------------------+

  • arrays_zip （2.4+）：

        import org.apache.spark.sql.functions.arrays_zip
    

    df.select(arrays_zip($”an_array_of_structs.vals”(0), $”an_array_of_structs.vals”(1))).show(false)
    // +--------------------------------------------------------------------+
    // |arrays_zip(an_array_of_structs.vals[0], an_array_of_structs.vals[1])|
    // +--------------------------------------------------------------------+
    // |[[1.0, 3.0], [2.0, 4.0], [2.0, 5.0]] |
    // |[[5.0, 7.0], [6.0, 8.0]] |
    // +--------------------------------------------------------------------+

  • array_union （2.4+）：

        import org.apache.spark.sql.functions.array_union
    

    df.select(array_union($”an_array_of_structs.vals”(0), $”an_array_of_structs.vals”(1))).show
    // +---------------------------------------------------------------------+
    // |array_union(an_array_of_structs.vals[0], an_array_of_structs.vals[1])|
    // +---------------------------------------------------------------------+
    // | [1.0, 2.0, 3.0, 4…|
    // | [5.0, 6.0, 7.0, 8.0]|
    // +---------------------------------------------------------------------+

  • slice （2.4+）：

        import org.apache.spark.sql.functions.slice
    

    df.select(slice($”an_array”, 2, 2)).show
    // +---------------------+
    // |slice(an_array, 2, 2)|
    // +---------------------+
    // | [2, 3]|
    // | [5, 6]|
    // +---------------------+

• 地图（MapType）栏

  • 使用Column.getField方法：

        df.select($"a_map".getField("foo")).show
    

    // +----------+
    // |a_map[foo]|
    // +----------+
    // | bar|
    // | null|
    // +----------+

  • 使用Hive方括号语法：

        sqlContext.sql("SELECT a_map['foz'] FROM df").show
    

    // +----+
    // | _c0|
    // +----+
    // |null|
    // | baz|
    // +----+

  • 使用带点语法的完整路径：

        df.select($"a_map.foo").show
    

    // +----+
    // | foo|
    // +----+
    // | bar|
    // |null|
    // +----+

  • 使用UDF

        val get_field = udf((kvs: Map[String, String], k: String) => kvs.get(k))
    

    df.select(get_field($”a_map”, lit(“foo”))).show

    // +--------------+
    // |UDF(a_map,foo)|
    // +--------------+
    // | bar|
    // | null|
    // +--------------+

  • 越来越多的map_*功能，例如map_keys（2.3+）

        import org.apache.spark.sql.functions.map_keys
    

    df.select(map_keys($”a_map”)).show
    // +---------------+
    // |map_keys(a_map)|
    // +---------------+
    // | [foo]|
    // | [foz]|
    // +---------------+

  • 或map_values（2.3+）

        import org.apache.spark.sql.functions.map_values
    

    df.select(map_values($”a_map”)).show
    // +-----------------+
    // |map_values(a_map)|
    // +-----------------+
    // | [bar]|
    // | [baz]|
    // +-----------------+

请检查SPARK-23899以获取详细列表。

• StructType使用带有点语法的完整路径的struct（）列：

  • 使用DataFrame API

        df.select($"a_struct.x").show
    

    // +—+
    // | x|
    // +—+
    // | 1|
    // | 2|
    // +—+

  • 用原始SQL

        sqlContext.sql("SELECT a_struct.x FROM df").show
    

    // +—+
    // | x|
    // +—+
    // | 1|
    // | 2|
    // +—+

• 数组中的字段structs可以使用点语法，名称和标准Column方法进行访问：

  df.select($"an_array_of_structs.foo").show
  

  // +----------+
  // | foo|
  // +----------+
  // |[foo, bar]|
  // |[foz, baz]|
  // +----------+

  sqlContext.sql(“SELECT an_array_of_structs[0].foo FROM df”).show

  // +—+
  // |_c0|
  // +—+
  // |foo|
  // |foz|
  // +—+

  df.select($”an_array_of_structs.vals”.getItem(1).getItem(1)).show

  // +------------------------------+
  // |an_array_of_structs.vals[1][1]|
  // +------------------------------+
  // | 4.0|
  // | 8.0|
  // +------------------------------+

• 可以使用UDF访问用户定义的类型（UDT）字段。有关详细信息，请参见UDT的Spark SQL引用属性。

注意事项 ：

• 根据Spark版本的不同，其中某些方法仅可用于HiveContext。UDF的工作应该独立的版本，采用标准的SQLContext和HiveContext。

• 一般来说，嵌套的价值观是二等公民。嵌套字段上不支持所有典型操作。根据上下文，最好展平架构和/或爆炸集合

  df.select(explode($"an_array_of_structs")).show
  

  // +--------------------+
  // | col|
  // +--------------------+
  // |[foo,1,WrappedArr…|
  // |[bar,2,WrappedArr…|
  // |[foz,3,WrappedArr…|
  // |[baz,4,WrappedArr…|
  // +--------------------+

• 点语法可以与通配符（*）结合使用以选择（可能是多个）字段，而无需明确指定名称：

  df.select($"a_struct.*").show
  

  // +—+
  // | x|
  // +—+
  // | 1|
  // | 2|
  // +—+

• 可以使用get_json_object和from_json函数查询JSON列。