r - 有没有办法用 sparklyr 处理嵌套数据？

Question

在以下示例中，我加载了一个 Parquet 文件，该文件包含 meta 中 map 对象的嵌套记录。 field 。 sparklyr似乎在处理这些方面做得很好。然而tidyr::unnest不会转换为 SQL(或 HQL - 可以理解 - 像 LATERAL VIEW explode() )，因此不可用。有没有办法以其他方式取消嵌套数据？

tfl <- head(tf)
tfl
Source:   query [?? x 10]
Database: spark connection master=yarn-client app=sparklyr local=FALSE

                            trkKey             meta     sources startTime
                             <chr>           <list>      <list>    <list>
1 3juPe-k0yiMcANNMa_YiAJfJyU7WCQ3Q <S3: spark_jobj> <list [24]> <dbl [1]>
2 3juPe-k0yiAJX3ocJj1fVqru-e0syjvQ <S3: spark_jobj>  <list [1]> <dbl [1]>
3 3juPe-k0yisY7UY_ufUPUo5mE1xGfmNw <S3: spark_jobj>  <list [7]> <dbl [1]>
4 3juPe-k0yikXT5FhqNj87IwBw1Oy-6cw <S3: spark_jobj> <list [24]> <dbl [1]>
5 3juPe-k0yi4MMU63FEWYTNKxvDpYwsRw <S3: spark_jobj>  <list [7]> <dbl [1]>
6 3juPe-k0yiFBz2uPbOQqKibCFwn7Fmlw <S3: spark_jobj> <list [19]> <dbl [1]>
# ... with 6 more variables: endTime <list>, durationInMinutes <dbl>,
#   numPoints <int>, maxSpeed <dbl>, maxAltitude <dbl>, primaryKey <chr>

收集数据时也存在问题。例如。，

tfl <- head(tf) %>% collect()
tfl
# A tibble: 6 × 10
                            trkKey             meta     sources startTime
                             <chr>           <list>      <list>    <list>
1 3juPe-k0yiMcANNMa_YiAJfJyU7WCQ3Q <S3: spark_jobj> <list [24]> <dbl [1]>
2 3juPe-k0yiAJX3ocJj1fVqru-e0syjvQ <S3: spark_jobj>  <list [1]> <dbl [1]>
3 3juPe-k0yisY7UY_ufUPUo5mE1xGfmNw <S3: spark_jobj>  <list [7]> <dbl [1]>
4 3juPe-k0yikXT5FhqNj87IwBw1Oy-6cw <S3: spark_jobj> <list [24]> <dbl [1]>
5 3juPe-k0yi4MMU63FEWYTNKxvDpYwsRw <S3: spark_jobj>  <list [7]> <dbl [1]>
6 3juPe-k0yiFBz2uPbOQqKibCFwn7Fmlw <S3: spark_jobj> <list [19]> <dbl [1]>
# ... with 6 more variables: endTime <list>, durationInMinutes <dbl>,
#   numPoints <int>, maxSpeed <dbl>, maxAltitude <dbl>, primaryKey <chr>

tfl %>% unnest(meta)
Error: Each column must either be a list of vectors or a list of data frames [meta]

在上面，meta文件仍包含 spark_jobj元素而不是列表、data.frames 甚至 JSON 字符串(这就是 Hive 返回此类数据的方式)。这会造成以下情况 tidyr甚至不适用于收集的数据。

有没有办法获取sparklyr与 tidyr 更好地合作我失踪了吗？如果没有，这是否计划用于 future sparklyr发展？

Answer 1

这并不是一个正确的解决方案，但是一种解决方法是使用 Hive 生成​​表或 View (例如， create view db_name.table_name as select ... )。处理爆炸操作。这为 sparklyr 提供平面数据工作。哪里sc是通过 sparklyr 的 Spark 连接一个可以用DBI::dbGetQuery(sc, "USE db_name")假设配置了 Hive，然后在列出带有 src_tbls(sc) 的表时会显示该 View 。 .一旦你执行 dat <- tbl(sc, "table_name")那么从那里航行应该更顺利。

因为这不是 sparklyr解决方案(但更多的是 Hive 解决方案)我不会接受这个答案。