我有一个数据帧,我想通过它迭代,但我不想将数据帧转换为数据集。我们必须将spark scala代码转换为pyspark,而pyspark不支持数据集。
我通过转换为数据集尝试了以下代码
data in file:
abc,a
mno,b
pqr,a
xyz,b
val a = sc.textFile("<path>")
//creating dataframe with column AA,BB
val b = a.map(x => x.split(",")).map(x =>(x(0).toString,x(1).toString)).toDF("AA","BB")
b.registerTempTable("test")
case class T(AA:String, BB: String)
//creating dataset from dataframe
val d = b.as[T].collect
d.foreach{ x=>
var m = spark.sql(s"select * from test where BB = '${x.BB}'")
m.show()
}
Without converting to dataset it gives error i.e. with
val d = b.collect
d.foreach{ x=>
var m = spark.sql(s"select * from test where BB = '${x.BB}'")
m.show()
}
它给出错误:错误:值BB不是org.apache.spark.sql.ROW的成员
您无法像上面的代码中那样循环数据帧。使用数据帧的rdd.collect
循环数据帧。
import spark.implicits._
val df = Seq(("abc","a"), ("mno","b"), ("pqr","a"),("xyz","b")).toDF("AA", "BB")
df.registerTempTable("test")
df.rdd.collect.foreach(x => {
val BBvalue = x.mkString(",").split(",")(1)
var m = spark.sql(s"select * from test where BB = '$BBvalue'")
m.show()
})
在循环内部,我使用mkString
将rdd行转换为字符串,然后用逗号分割列值,并使用列索引来访问该值。例如,在上面的代码中我使用了(1)
,这意味着,列BB
列索引是2。
请让我知道,如果你有任何问题。