Java 使用Spark数据框架演化模式

我正在使用Spark dataframe，它可以从三个不同的模式版本之一加载数据：

// Original
{ "A": {"B": 1 } }
// Addition "C"
{ "A": {"B": 1 }, "C": 2 }
// Additional "A.D"
{ "A": {"B": 1, "D": 3 }, "C": 2 }

我可以通过检查模式是否包含字段“C”来处理额外的“C”，如果没有，则向数据帧添加新列。但是，我无法确定如何为子对象创建字段

public void evolvingSchema() {
    String versionOne = "{ \"A\": {\"B\": 1 } }";
    String versionTwo = "{ \"A\": {\"B\": 1 }, \"C\": 2 }";
    String versionThree = "{ \"A\": {\"B\": 1, \"D\": 3 }, \"C\": 2 }";

    process(spark.getContext(), "1", versionOne);
    process(spark.getContext(), "2", versionTwo);
    process(spark.getContext(), "2", versionThree);
}

private static void process(JavaSparkContext sc, String version, String data) {
    SQLContext sqlContext = new SQLContext(sc);
    DataFrame df = sqlContext.read().json(sc.parallelize(Arrays.asList(data)));
    if(!Arrays.asList(df.schema().fieldNames()).contains("C")) {
        df = df.withColumn("C", org.apache.spark.sql.functions.lit(null));
    }
    // Not sure what to put here. The fieldNames does not contain the "A.D"

    try {
        df.select("C").collect();
    } catch(Exception e) {
        System.out.println("Failed to C for " + version);
    }
    try {
        df.select("A.D").collect();
    } catch(Exception e) {
        System.out.println("Failed to A.D for " + version);
    }
}

---

JSON源不太适合具有演进模式的数据（改为Avro或Parquet如何），但简单的解决方案是对所有源使用相同的模式，并使新字段可选/可空：

import org.apache.spark.sql.types.{StructType, StructField, LongType}

val schema = StructType(Seq(
  StructField("A", StructType(Seq(
    StructField("B", LongType, true), 
    StructField("D", LongType, true)
  )), true),
  StructField("C", LongType, true)))

您可以像这样将

schema

传递给

DataFrameReader

：

val rddV1 = sc.parallelize(Seq("{ \"A\": {\"B\": 1 } }"))
val df1 = sqlContext.read.schema(schema).json(rddV1)

val rddV2 = sc.parallelize(Seq("{ \"A\": {\"B\": 1 }, \"C\": 2 }"))
val df2 = sqlContext.read.schema(schema).json(rddV2)

val rddV3 = sc.parallelize(Seq("{ \"A\": {\"B\": 1, \"D\": 3 }, \"C\": 2 }"))
val df3 = sqlContext.read.schema(schema).json(rddV3)

您将获得独立于变体的一致结构：

require(df1.schema == df2.schema && df2.schema == df3.schema)

自动将缺少的列设置为

null

：

df1.printSchema
// root
//  |-- A: struct (nullable = true)
//  |    |-- B: long (nullable = true)
//  |    |-- D: long (nullable = true)
//  |-- C: long (nullable = true)

df1.show
// +--------+----+
// |       A|   C|
// +--------+----+
// |[1,null]|null|
// +--------+----+

df2.show
// +--------+---+
// |       A|  C|
// +--------+---+
// |[1,null]|  2|
// +--------+---+

df3.show
// +-----+---+
// |    A|  C|
// +-----+---+
// |[1,3]|  2|
// +-----+---+

注意：

此解决方案依赖于数据源。它可以与其他源一起工作，也可以不与其他源一起工作，或者。

已经回答了这个问题，但是是在Scala中。这是同样的事情，但在Java中

public void evolvingSchema() {
    String versionOne = "{ \"A\": {\"B\": 1 } }";
    String versionTwo = "{ \"A\": {\"B\": 1 }, \"C\": 2 }";
    String versionThree = "{ \"A\": {\"B\": 1, \"D\": 3 }, \"C\": 2 }";

    process(spark.getContext(), "1", versionOne);
    process(spark.getContext(), "2", versionTwo);
    process(spark.getContext(), "2", versionThree);
}

private static void process(JavaSparkContext sc, String version, String data) {
    StructType schema = DataTypes.createStructType(Arrays.asList(
            DataTypes.createStructField("A",
                    DataTypes.createStructType(Arrays.asList(
                            DataTypes.createStructField("B", DataTypes.LongType, true),
                    DataTypes.createStructField("D", DataTypes.LongType, true))), true),
            DataTypes.createStructField("C", DataTypes.LongType, true)));

    SQLContext sqlContext = new SQLContext(sc);
    DataFrame df = sqlContext.read().schema(schema).json(sc.parallelize(Arrays.asList(data)));

    try {
        df.select("C").collect();
    } catch(Exception e) {
        System.out.println("Failed to C for " + version);
    }
    try {
        df.select("A.D").collect();
    } catch(Exception e) {
        System.out.println("Failed to A.D for " + version);
    }
}

---

为什么你说JSON不适合演化模式？@mlk我们演化模式和JSON的主要问题是，各种JSON客户端可能会做一些意想不到的事情，比如将一个空部分呈现为一个空字符串数组（即“”）。这真的会搞砸你的模式管理。。。我想zero323与Ewan的注释有类似的关注点。JSON既不是自描述的，也不支持模式。当然，您可以为JSON文档使用或创建自定义超媒体格式，但其中没有语义的一部分。当我们处理JSONL时，它变得特别烦人。如果没有一个完整的文件，就不可能推断出模式。此外，如果数据格式不正确，这是我们在运行时遇到的问题。正如我们所说的，如果您读取两个不同分区的拼花文件夹，spark 2.1.0将不起作用。即使您在阅读前指定了模式以供参考，列顺序也会混乱，我处理不断发展的模式的方式是：我公开并使用private Structype.mergeSchema手动合并来自不同来源的模式（从ParquetFileFormat.mergeschemasinparllel读取，并将其与文件的子集合并），然后我阅读给出显式模式的数据帧，最后使用select（col:*）技巧对列重新排序。只有到那时，我才能表演联盟。谢谢你。JavaAPI与更常见的scala OneHanks有很大的不同，对Java感兴趣的开发人员非常少。