从Spark Row 到 GenericRowWithSchema

 

Dataframe.collect () 是常用的将分布式数据载入到Driver的方法，得到的是Array[GenericRowWithSchema]类型，常常需要从GenericRowWithSchema提取数据，具体所以了解GenericRowWithSchema类型是十分有必要的。 而GenericRowWithSchema继承自 org.apache.spark.sql.Row，自己本身并没有定义多少方法。所以从Row 先开始学习。

 

库引用:

import org.apache.spark.sql._

 

创建：

 // Create a Row from values.
 Row(value1, value2, value3, ...)
 // Create a Row from a Seq of values.
 Row.fromSeq(Seq(value1, value2, ...))

 

访问：两种方式，generic access方式 得到的都是Any类。 native primitive access得到的是指定类。

val row = Row(1, true, "a string", null)
 // row: Row = [1,true,a string,null]
 val firstValue = row(0)
 // firstValue: Any = 1
 val fourthValue = row(3)
 // fourthValue: Any = null

val firstValue = row.getInt(0)
 // firstValue: Int = 1
 val isNull = row.isNullAt(3)//没有getNull，只需判断即可
 // isNull: Boolean = true

常用函数：

anyNull(): Boolean  是否还有null元素

fieldIndex(java.lang.String name): Int 查找域名索引

get(int i)  和apply(int i)一样,得到位置i处的值，类型为Any

getAs(int i),实际用法是getAs[T](int i) 将位置i处的值按T类型取出 

getAs(java.lang.String fieldName)   不会用

get*(int i) 获取位置i处的值，并使其为*类型， *：Byte, Date, Decimal, Double, Float, JavaMap (i处需为array type), List(array type), Long, Map(map type), Seq(array type), Short, String, Structure( structure type 返回Row), Timestamp(data type),

getValuesMap(scala.collection.Seq<java.lang.String> fieldNames) 不会

 

mkString(String seq) 可看成是由各元素.toString后组成

mkString(java.lang.String start, java.lang.String sep, java.lang.String end) 带指定头尾

 

 toSeq()  用所有元素组成WrappedArray类返回，调用WrappedArray.to* 可转换为其他*类型

 

其他：copy(), equals(java.Obejct o)，hashCode()， length() ，isNullAt(int i)， size()， toString()

 

val r1=Row(1, true, "a string", null,Array(1,2,3))
val r2=Row(1,2,3,4) 
r1.mkString(",")
//res3: String = 1,true,a string,null,[I@117d8e07
r1.toSeq
//WrappedArray(1, true, a string, null, [I@117d8e07)
r2.toSeq
//res5: Seq[Any] = WrappedArray(1, 2, 3, 4)
print(r1)
//[1,true,a string,null,[I@117d8e07]res6: Unit = ()
print(r2)
//[1,2,3,4]res7: Unit = ()
r1.schema
r2.schema
//res8: org.apache.spark.sql.types.StructType = null
//res9: org.apache.spark.sql.types.StructType = null

 

GenericRow和GenericRowwithSchema 定义如下：

class GenericRow(protected[sql] val values: Array[Any]) extends Row {
  /** No-arg constructor for serialization. */
  protected def this() = this(null)

  def this(size: Int) = this(new Array[Any](size))

  override def length: Int = values.length

  override def get(i: Int): Any = values(i)

  override def toSeq: Seq[Any] = values.clone()

  override def copy(): GenericRow = this
}

class GenericRowWithSchema(values: Array[Any], override val schema: StructType)
  extends GenericRow(values) {

  /** No-arg constructor for serialization. */
  protected def this() = this(null, null)

  override def fieldIndex(name: String): Int = schema.fieldIndex(name)
}

 

所以，要想得到GenericRowwithSchema内部的值，可调用：

GenericRowwithSchema.toSeq ：WrappedArray[SchemaType]，相应位置的元素类型由自带Schema决定

若想得到某个位置的数据则用GenericRowwithSchema.getT(位置)，如grs.getString(1)

 

Row.toSeq: 得到WrappedArray[Any]对象（实际上是Seq[Any]对象）， 再调用WrappedArray.toT 转换为其他T[Any]类型或

（推荐使用）WrappedArray.asInstanceof(Seq[T])转换为WrappedArray[T]对象(即Seq[T]对象)。注意，直接转为WrappedArray.asInstanceof(Array[T])是不行的，会报错。

 

 

WrapperedArray的相关信息参见： Scala 数组（Array, WrapperedArrary）

 

具体示例可见:

 

参考资料：

https://github.com/apache/spark/blob/master/sql/catalyst/src/main/scala/org/apache/spark/sql/catalyst/expressions/rows.scala

https://spark.apache.org/docs/1.5.1/api/java/org/apache/spark/sql/Row.html