DataFrame partitionBy嵌套列

Question

我试图在嵌套字段上调用partitionBy，如下所示：

val rawJson = sqlContext.read.json(filename)
rawJson.write.partitionBy("data.dataDetails.name").parquet(filenameParquet)

我运行时遇到以下错误。我确实看到“名称”列为以下架构中的字段。是否有不同的格式来指定嵌套的列名？

java.lang.RuntimeException：在模式StructType中找不到分区列data.dataDetails.name（StructField（name，StringType，true），StructField（time，StringType，true），StructField（data，StructType（StructType）（dataDetails，StructType（StructField） （name，StringType，true），StructField（id，StringType，true），true）），true））

这是我的json文件：

{  
  "name": "AssetName",
  "time": "2016-06-20T11:57:19.4941368-04:00",
  "data": {
    "type": "EventData",
    "dataDetails": {
      "name": "EventName"
      "id": "1234"

    }
  }
} 

Answer 1

这似乎是这里列出的一个已知问题：https://issues.apache.org/jira/browse/SPARK-18084

我也遇到了这个问题，为了解决这个问题，我能够在我的数据集中取消嵌套列。我的数据集与您的数据集略有不同，但这是策略......

原Json：

{  
  "name": "AssetName",
  "time": "2016-06-20T11:57:19.4941368-04:00",
  "data": {
    "type": "EventData",
    "dataDetails": {
      "name": "EventName"
      "id": "1234"

    }
  }
} 

修改Json：

{  
  "name": "AssetName",
  "time": "2016-06-20T11:57:19.4941368-04:00",
  "data_type": "EventData",
  "data_dataDetails_name" : "EventName",
  "data_dataDetails_id": "1234"
  }
} 

获取修改Json的代码：

def main(args: Array[String]) {
  ...

  val data = df.select(children("data", df) ++ $"name" ++ $"time"): _*)

  data.printSchema

  data.write.partitionBy("data_dataDetails_name").format("csv").save(...)
}

def children(colname: String, df: DataFrame) = {
  val parent = df.schema.fields.filter(_.name == colname).head
  val fields = parent.dataType match {
    case x: StructType => x.fields
    case _ => Array.empty[StructField]
  }
  fields.map(x => col(s"$colname.${x.name}").alias(s"$colname" + s"_" + s"${x.name}"))
}

Answer 2

由于该功能在Spark 2.3.1中不可用，因此这是一种解决方法。确保处理嵌套字段与根级别字段之间的名称冲突。

{"date":"20180808","value":{"group":"xxx","team":"yyy"}}

df.select("date","value.group","value.team")
      .write
      .partitionBy("date","group","team")
      .parquet(filenameParquet)

分区最终就像

date=20180808/group=xxx/team=yyy/part-xxx.parquet