Spark 将自定义架构应用于 DataFrame

Question

我在 Parquet 文件中有一个数据，并想对其应用自定义架构。

我在 Parquet 中的初始数据如下，

root
 |-- CUST_ID: decimal(9,0) (nullable = true)
 |-- INACTV_DT: string (nullable = true)
 |-- UPDT_DT: string (nullable = true)
 |-- ACTV_DT: string (nullable = true)
 |-- PMT_AMT: decimal(9,4) (nullable = true)
 |-- CMT_ID: decimal(38,14) (nullable = true)

我的自定义架构如下，

root
 |-- CUST_ID: decimal(38,0) (nullable = false)
 |-- INACTV_DT: timestamp (nullable = false)
 |-- UPDT_DT: timestamp (nullable = false)
 |-- ACTV_DT: timestamp (nullable = true)
 |-- PMT_AMT: decimal(19,4) (nullable = true)
 |-- CMT_ID: decimal(38,14) (nullable = false)

下面是我将新数据框应用于它的代码

val customSchema = getOracleDBSchema(sparkSession, QUERY).schema
val DF_frmOldParkquet = sqlContext_par.read.parquet("src/main/resources/data_0_0_0.parquet")
val rows: RDD[Row] = DF_frmOldParkquet.rdd
val newDataFrame = sparkSession.sqlContext.createDataFrame(rows, tblSchema)
newDataFrame.printSchema()
newDataFrame.show()

当我执行此操作时，出现以下错误。

java.lang.RuntimeException: Error while encoding: java.lang.RuntimeException: java.lang.String is not a valid external type for schema of timestamp
staticinvoke(class org.apache.spark.sql.types.Decimal$, DecimalType(38,0), fromDecimal, validateexternaltype(getexternalrowfield(assertnotnull(input[0, org.apache.spark.sql.Row, true]), 0, CUST_ID), DecimalType(38,0)), true) AS CUST_ID#27

Answer 1

在 Spark SQL 中有两个主要的 schema 应用

• schema传递给schema方法的参数DataFrameReader用于转换某些格式的数据（主要是纯文本文件）。在这种情况下，模式可用于自动转换输入记录。
• schema参数传递给createDataFrame（变体，其采取RDD或List的Rows）的SparkSession。在这种情况下，模式必须符合数据，并且不用于转换。

以上均不适用于您的情况：

• 输入是强类型的，因此schema，如果存在，阅读器会忽略它。

• 架构与数据不匹配，因此它不能用于createDataFrame.

在这种情况下，您应该将cast每一列设置为所需的类型。假设类型是兼容的，这样的事情应该可以工作

val newDataFrame = df.schema.fields.foldLeft(df){ 
  (df, s) => df.withColumn(s.name, df(s.name).cast(s.dataType))     
}

根据数据的格式，这可能足够也可能不够。例如，如果应转换为时间戳的字段不使用标准格式，则转换将不起作用，您必须使用 Spark 日期时间处理实用程序。