scala - 如何将 RDD[Row] 转换回 DataFrame

Question

这个问题在这里已经有了答案:





How to convert rdd object to dataframe in spark

(12 个回答)


5年前关闭。




我一直在尝试将 RDD 转换为 DataFrame 并再次转换回来。首先，我有一个类型为 (Int, Int) 的 RDD，称为 dataPair。然后我使用以下方法创建了一个带有列标题的 DataFrame 对象:

val dataFrame = dataPair.toDF(header(0), header(1))

然后我使用以下方法将它从 DataFrame 转换回 RDD:

val testRDD = dataFrame.rdd

它返回一个 org.apache.spark.sql.Row 类型的 RDD(不是 (Int, Int))。然后我想使用 .toDF 将其转换回 RDD，但出现错误:

error: value toDF is not a member of org.apache.spark.rdd.RDD[org.apache.spark.sql.Row]

我已经尝试为 testRDD 定义一个 Data(Int, Int) 类型的模式，但是我得到了类型不匹配的异常:

error: type mismatch;
found   : org.apache.spark.rdd.RDD[org.apache.spark.sql.Row]
required: org.apache.spark.rdd.RDD[Data]
    val testRDD: RDD[Data] = dataFrame.rdd
                                       ^

我已经导入了

import sqlContext.implicits._

Answer 1

要从行的 RDD 创建 DataFrame，通常有两个主要选项:

1) 您可以使用 toDF()可以通过 import sqlContext.implicits._ 导入.但是，这种方法仅适用于以下类型的 RDD:

RDD[Int]

RDD[Long]

RDD[String]

RDD[T <: scala.Product]

(来源:SQLContext.implicits 对象的 Scaladoc)

最后一个签名实际上意味着它可以用于元组的 RDD 或案例类的 RDD(因为元组和案例类是 scala.Product 的子类)。

因此，要将此方法用于 RDD[Row] ，您必须将其映射到 RDD[T <: scala.Product] .这可以通过将每一行映射到自定义案例类或元组来完成，如下面的代码片段所示:

val df = rdd.map({ 
  case Row(val1: String, ..., valN: Long) => (val1, ..., valN)
}).toDF("col1_name", ..., "colN_name")

或者

case class MyClass(val1: String, ..., valN: Long = 0L)
val df = rdd.map({ 
  case Row(val1: String, ..., valN: Long) => MyClass(val1, ..., valN)
}).toDF("col1_name", ..., "colN_name")

这种方法的主要缺点(在我看来)是您必须在 map 函数中逐列显式设置生成的 DataFrame 的架构。如果您事先不知道架构，也许这可以通过编程方式完成，但那里的事情可能会变得有点困惑。因此，或者，还有另一种选择:

2) 您可以使用 createDataFrame(rowRDD: RDD[Row], schema: StructType) ，可在 SQLContext 中找到目的。例子:

val df = oldDF.sqlContext.createDataFrame(rdd, oldDF.schema)

请注意，无需显式设置任何架构列。我们重用旧的 DF 模式，即 StructType类并且可以轻松扩展。但是，这种方法有时是不可能的，并且在某些情况下可能比第一种方法效率低。

我希望它比以前更清楚。干杯。