将 Spark DataFrame 模式转换为新模式

Question

我有多个从不同来源读取的 spark 作业，它们具有不同的架构，但它们非常接近，我想要做的是将它们全部写入同一个 Redshift 表，因此我需要统一所有 DataFrame 架构，什么是最好的方法吗？

假设第一个输入数据的架构如下：

  val schema1 = StructType(Seq(
    StructField("date", DateType),
    StructField("campaign_id", StringType),
    StructField("campaign_name", StringType),
    StructField("platform", StringType),
    StructField("country", StringType),
    StructField("views", DoubleType),
    StructField("installs", DoubleType),
    StructField("spend", DoubleType)
  ))

seconf inout 源的架构如下：

  val schema2 = StructType(Seq(
    StructField("date", DateType),
    StructField("creator_id", StringType),
    StructField("creator_name", StringType),
    StructField("platform", StringType),
    StructField("views", DoubleType),
    StructField("installs", DoubleType),
    StructField("spend", DoubleType),
    StructField("ecpm", DoubleType)
  ))

表架构（预期统一数据帧）：

  val finalSchema = StructType(Seq(
    StructField("date", DateType),
    StructField("account_name", StringType),
    StructField("adset_id", StringType),
    StructField("adset_name", StringType),
    StructField("campaign_id", StringType),
    StructField("campaign_name", StringType),
    StructField("pub_id", StringType),
    StructField("pub_name", StringType),
    StructField("creative_id", StringType),
    StructField("creative_name", StringType),
    StructField("platform", StringType),
    StructField("install_source", StringType),
    StructField("views", IntegerType),
    StructField("clicks", IntegerType),
    StructField("installs", IntegerType),
    StructField("cost", DoubleType)
  ))

正如您在最终架构中看到的，我有一些列可能不在输入架构中，因此它应该为空，某些列名称也应该重命名。一些列像ecpm应该被删除。

Answer 1

添加index columns到dataframes和join它们的基础上index，这样就会有一对一的映射。之后select只有您想要columns的joined dataframe。

1. 如果你有两个dataframes像下面这样的

   // df1.show
   +-----+---+
   | name|age|
   +-----+---+
   |Alice| 25|
   |  Bob| 29|
   |  Tom| 26|
   +-----+---+
   
   //df2.show
   +--------+-------+
   |    city|country|
   +--------+-------+
   |   Delhi|  India|
   |New York|    USA|
   |  London|     UK|
   +--------+-------+
   

2. 现在添加index columns并获取一对一映射

   import org.apache.spark.sql.functions._
   
   val df1Index=df1.withColumn("index1",monotonicallyIncreasingId)
   
   val df2Index=df2.withColumn("index2",monotonicallyIncreasingId)
   
   val joinedDf=df1Index.join(df2Index,df1Index("index1")===df2Index("index2"))
   
   //joinedDf
   
   +-----+---+------+--------+-------+------+
   | name|age|index1|    city|country|index2|
   +-----+---+------+--------+-------+------+
   |Alice| 25|     0|   Delhi|  India|     0|
   |  Bob| 29|     1|New York|    USA|     1|
   |  Tom| 26|     2|  London|     UK|     2|
   +-----+---+------+--------+-------+------+
   

现在您可以像下面这样编写查询

val queryList=List(col("name"),col("age"),col("country"))
joinedDf.select(queryList:_*).show

//Output df
+-----+---+-------+
| name|age|country|
+-----+---+-------+
|Alice| 25|  India|
|  Bob| 29|    USA|
|  Tom| 26|     UK|
+-----+---+-------+