将Dataset中的行映射到对象类SparkJava

Question

在使用HBase和Parquet时，我编写了从HBase获取值并将值映射到对象类的代码，但在使用Dataset复制Parquet时遇到了问题。

HBase：

JavaPairRDD<ImmutableBytesWritable, Result> data = sc.newAPIHadoopRDD(getHbaseConf(),
            TableInputFormat.class, ImmutableBytesWritable.class, Result.class);

JavaRDD<List<Tuple3<Long, Integer, Double>>> tempData = data
                .values()
                //Uses HBaseResultToSimple... class to parse the data.
                .map(value -> {
                    SimpleObject object = oParser.call(value);
                    // Get the sample property, remove leading and ending spaces and split it by comma
                    // to get each sample individually
                    List<Tuple2<String, Integer>> samples = zipWithIndex((object.getSamples().trim().split(",")));

                    // Gets the unique identifier for that sp.
                    Long sp = object.getPos();

                    // Calculates the hamming distance for this sp for each sample.
                    // i.e. 0|0 => 0, 0|1 => 1, 1|0 => 1, 1|1 => 2
                    return samples.stream().map(t -> {
                        String alleles = t._1();
                        Integer patient = t._2();

                        List<String> values = Arrays.asList(alleles.split("\\|"));

                        Double firstA = Double.parseDouble(values.get(0));
                        Double second = Double.parseDouble(values.get(1));

                        // Returns the initial sp id, p id and the distance in form of Tuple.
                        return new Tuple3<>(snp, patient, firstAllele + secondAllele);
                    }).collect(Collectors.toList());
                });

我将数据从拼花地板读入数据集，但simple无法复制上述方法。

Dataset<Row> url = session.read().parquet(fileName);

我只需要知道如何映射数据集中的行

任何帮助都将不胜感激。




Answer 1

选项1：转换数据帧（也称为数据集

Dataset<Data> ds = inputDf.as(Encoders.bean(Data.class));

在此数据集上，可以使用具有类型化访问权限的映射函数：

Dataset<String> ds2 = ds.map( d -> d.getA(), Encoders.STRING());

（在本例中，我假设类Data有一个名为a的字符串类型属性。）

选项2：另一个不需要额外类的选项是直接在map调用中使用Row对象：

Dataset<String> ds3 = inputDf.map(r -> r.getString(0), Encoders.STRING());

（同样，我假设第一列是一个字符串。）