用逗号拆分Dataset上的字符串列并获取新的Dataset

Question

我正在使用Spark（2.0）进行SparkSQL，并使用JavaAPI读取CSV。

在CSV文件中，有一个双引号，逗号分隔的列。例如：“快递空运，送货卡车”

读取CSV并返回数据集的代码:

Dataset<Row> df = spark.read()
                .format("com.databricks.spark.csv")
                .option("inferSchema", "true")
                .option("header", "true")
                .load(filename) 

结果：

+-----+--------------+--------------------------+
|Year |       State  |                Ship Mode |...
+-----+--------------+--------------------------+
|2012 |New York      |Express Air,Delivery Truck|...
|2013 |Nevada        |Delivery Truck            |...
|2013 |North Carolina|Regular Air,Delivery Truck|...
+-----+--------------+--------------------------+

但是，我想将商店模式拆分为Mode1和Mode2列并作为数据集返回。

+-----+--------------+--------------+---------------+
|Year |       State  |     Mode1    |         Mode2 |...
+-----+--------------+--------------+---------------+
|2012 |New York      |Express Air   |Delivery Truck |...
|2013 |Nevada        |Delivery Truck|null           |...
|2013 |North Carolina|Regular Air   |Delivery Truck |...
+-----+--------------+--------------+---------------+

有什么方法可以使用Java Spark实现这一点吗？

我尝试使用MapFunction，但是调用()方法不返回行。< code >发货模式将是动态的，即CSV可能包含一种或两种发货模式。

谢谢。

Answer 1

我们可以：

< li >定义一个用户定义的函数(UDF ),仅执行一次拆分操作 < li >使用选择表达式将拆分的列映射到两个新列中

例如:

import org.apache.spark.sql.functions._
import org.apache.spark.sql.{Column, Row}

val splitter = udf((str: String) => {
  val splitted = str.split(",").lift
  Array(splitted(0), splitted(1))
})

val dfShipMode = df.select($"year",$"state", splitter($"shipMode") as "modes")
                   .select($"year", $"state", $"modes"(0) as "mode1", $"modes"(1) as "mode2")

Answer 2

您可以使用 selectExpr，这是接受 SQL 表达式的 select 变体，如下所示：

df.selectExpr("Year","State","split(Ship Mode, ',')[0] as Mode1","split(Ship Mode, ',')[1] as Mode2");

结果是Row的数据集。