Come aggiungere una nuova colonna Struct a un DataFrame

Question

Attualmente sto cercando di estrarre un database da MongoDB e utilizzare Spark per importare in ElasticSearch con geo_points.

Il database Mongo ha valori di latitudine e longitudine, ma ElasticSearch richiede che vengano inseriti nel tipo geo_point.

C'è un modo in Spark per copiare i lat e lon colonne a una nuova colonna che è un array o struct?

Qualsiasi aiuto è apprezzato!

Answer 1

presumo si inizia con una sorta di schema piatto come questo:

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

primo luogo permette di creare dati di esempio:

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) 

Un modo semplice è quello di utilizzare una classe UDF e caso:

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 

e otteniamo

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

Un modo più difficile è quello di trasformare i dati e applicare lo schema seguito:

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 

e otteniamo un output previsto

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

Creazione dello schema annidato da zero può essere noioso quindi se si può Consiglierei il primo approccio. Esso può essere facilmente esteso se avete bisogno di struttura più sofisticata:

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 

e otteniamo previsto in uscita:

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

Purtroppo si ha alcun controllo su nullable campo quindi se è importante per il vostro progetto Avrete devi specificare lo schema.

Infine è possibile utilizzare la funzione struct introdotta in 1.4:

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

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

Answer 2

Prova questo:

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

df.registerTempTable("dt") 

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