apache-spark - 使用 .net-spark 加载具有多个部分的固定位置文件
问题描述
我正在尝试使用.net-spark在spark中加载具有多个部分的固定位置文件。以下是该文件的示例:
01Nikola Tesla tesla@gmail.com +5521981181569
02Creations
03Alternating current
03Tesla coil
01Thomas Edison edison@gmail.com +5521981181569
02Creations
03Lamp
03Phonograph
03General Eletric
03Cinema
所以基本上我们有一个交易所有者的标题,一个子标题说明下面是交易,最后是交易部分。交易行不包含对所有者的任何引用,所以是的,这很棘手。
正如@EdElliott 所建议的,这是我们应该如何在 RDD 中查看数据(仅显示第一行,但目的是读取所有内容):
发明者 | 电子邮件 | 电话 | 创作 |
---|---|---|---|
尼古拉·特斯拉 | tesla@gmail.com | +5511999999999 | 交流电 |
我想这不是现在很常见的文件格式,但在巴西的大银行中仍然很常见。
找到了 java 的这个例子,但它不处理部分。我相信我可以使用 UDF 来实现这一点,但同样,我不知道从哪里开始。欣赏这里的任何见解。
谢谢
解决方案
我通过了另一边。对解决方案并不感到自豪,主要是因为我使用了 ToLocalIterator() 以及我将参数传递给 normalizedTransaction UDF 的方式。谢谢@EdElliott,你的博客对我帮助很大。
无论如何,这里是:
static Func<Column, Column> OnlyHeaders = Udf<string, bool>(
line => line.Substring(0,2).Equals("01")
);
static Func<Column, Column> OnlyTransactions = Udf<string, bool>(
line => line.Substring(0,2).Equals("03")
);
static Func<Column, Column> breakHeader =
Udf<string, string[]>((line) => GetHeader(line) );
static Func<Column, Column> breakTransaction =
Udf<string, string[]>((line) => GetTransaction(line) );
static void Main(string[] args)
{
// Create a Spark session
var spark = SparkSession
.Builder()
.AppName("FixedLenghtWithSectionsApp")
.GetOrCreate();
// Create initial DataFrame
var rawDf = spark.Read().Schema("rawLine STRING").Text("resources/input.txt");
rawDf = rawDf.WithColumn("rowNumber", Functions.MonotonicallyIncreasingId());
rawDf.CreateOrReplaceTempView ("rawdata");
var headersDf = GetHeadersDf(rawDf);
headersDf.CreateOrReplaceTempView("headers");
headersDf.Show();
var transactionsDf = GetTransactionsDf(rawDf);
transactionsDf.CreateOrReplaceTempView("transactions");
transactionsDf.Show();
var headerLines = headersDf.ToLocalIterator().ToList().Select( r => r.Get("rowNumber"));
var columns = new StringBuilder();
foreach(var h in headerLines)
columns.Append($"{h.ToString()},");
var column = Functions.Lit(columns.ToString()).Alias("ids");
Func<Column, Column, Column> normalizedTransaction = Udf<string, string,int>( (line, hLines) => {
var ids = hLines.Split(",", StringSplitOptions.RemoveEmptyEntries).Select(s => int.Parse(s));
var id = ids.Where(h => h < int.Parse(line) );
if (id.Any())
return id.Max();
return -1;
} );
var inventionsDf = transactionsDf.Alias("one")
.Select(
Functions.Col("one.rowNumber"),
Functions.Col("invention"),
normalizedTransaction(Functions.Col("one.rowNumber").Cast("string") , column ).Alias("id")
);
inventionsDf = inventionsDf.Alias("one")
.Join(
headersDf.Alias("two")
,Functions.Col("one.id") == Functions.Col("two.rowNumber")
,"inner"
);
inventionsDf.Show();
spark.Stop();
}
private static DataFrame GetTransactionsDf(DataFrame rawDf)
{
var transactionsRawsDf = rawDf
.Select(rawDf["rowNumber"],breakTransaction(rawDf["rawLine"]).Alias("value"))
.Where(OnlyTransactions(rawDf["rawLine"]));
return transactionsRawsDf.Select(
transactionsRawsDf["rowNumber"],
transactionsRawsDf.Col("value").GetItem(0))
.ToDF("rowNumber", "invention");
}
private static DataFrame GetHeadersDf(DataFrame rawDf)
{
var headerRawsDf = rawDf
.Select(rawDf["rowNumber"],breakHeader(rawDf["rawLine"]).Alias("value"))
.Where(OnlyHeaders(rawDf["rawLine"]));
return headerRawsDf.Select(
headerRawsDf["rowNumber"],
headerRawsDf.Col("value").GetItem(0),
headerRawsDf.Col("value").GetItem(1),
headerRawsDf.Col("value").GetItem(2))
.ToDF("rowNumber", "inventor", "email", "phone");
}
private static string[] GetHeader(string line)
{
var columns = new List<string>();
columns.Add(line.Substring(2,30));
columns.Add(line.Substring(32,70));
columns.Add(line.Substring(102,14));
return columns.ToArray();
}
private static string[] GetTransaction(string line)
{
var columns = new List<string>();
columns.Add(line.Substring(2,48));
return columns.ToArray();
}
推荐阅读
- xamarin.forms - Xamarin 形成 android:无法确定“v8.1”的 $(TargetFrameworkVersion) 的 API 级别
- c++ - 将增量运算符应用于常量变量时,为什么会出现编译器错误
- mysql - MYSQL 找不到合适的驱动
- html - 移动设备上的引导多级菜单问题
- java - How to document @ControllerAdvice handled exception using Spring REST Docs
- java - CompletableFuture: proper way to run a list of futures, wait for result and handle exception
- python - Single list rotation of the first half with the other half, including odd number of elements
- javascript - Immutable.js algorithm: List.update_or_add(item)
- python - Implementing scrapy rules by overriding CrawlSpider __init__() method
- css - 图像的透明度与 box-shadow 不能很好地协同工作