Spark SQL集合数据类型array\map的取值方式
Spark SQL集合数据类型array\map的取值方式
版权声明：本文为博主原创文章，未经博主允许不得转载。
手动码字不易，请大家尊重劳动成果，谢谢
本节主要讨论集合数据类型：数组\列表array、字典map这两种数据类型的索引，首先我们还是先构造数据结构与DataFrame：
scala> case class A(a: String, b: Int)
defined class A
scala> case class B(c: List[A], d: Map[String, A], e: Map[Int, String], f: Map[A, String])
defined class B
scala> def a_gen(i: Int) = A(s"str_$i", i)
a_gen: (i: Int)A
scala> def b_gen(i: Int) = B((1 to 10).map(a_gen).toList, (1 to 10).map(j => s"key_$j" -> a_gen(j)).toMap, (1 to 10).map(j => j -> s"value_$j").toMap, (1 to 10).map(j => a_gen(j) -> s"value_$j").toMap)
b_gen: (i: Int)B
scala> val data = (1 to 10).map(b_gen)
scala> val df = spark.createDataFrame(data)
df: org.apache.spark.sql.DataFrame = [c: array<struct<a:string,b:int>>, d: map<string,struct<a:string,b:int>> ... 2 more fields]
scala> df.show
+--------------------+--------------------+--------------------+--------------------+
| c| d| e| f|
+--------------------+--------------------+--------------------+--------------------+
|[[str_1, 1], [str...|[key_2 -> [str_2,...|[5 -> value_5, 10...|[[str_8, 8] -> va...|
|[[str_1, 1], [str...|[key_2 -> [str_2,...|[5 -> value_5, 10...|[[str_8, 8] -> va...|
|[[str_1, 1], [str...|[key_2 -> [str_2,...|[5 -> value_5, 10...|[[str_8, 8] -> va...|
|[[str_1, 1], [str...|[key_2 -> [str_2,...|[5 -> value_5, 10...|[[str_8, 8] -> va...|
|[[str_1, 1], [str...|[key_2 -> [str_2,...|[5 -> value_5, 10...|[[str_8, 8] -> va...|
|[[str_1, 1], [str...|[key_2 -> [str_2,...|[5 -> value_5, 10...|[[str_8, 8] -> va...|
|[[str_1, 1], [str...|[key_2 -> [str_2,...|[5 -> value_5, 10...|[[str_8, 8] -> va...|
|[[str_1, 1], [str...|[key_2 -> [str_2,...|[5 -> value_5, 10...|[[str_8, 8] -> va...|
|[[str_1, 1], [str...|[key_2 -> [str_2,...|[5 -> value_5, 10...|[[str_8, 8] -> va...|
|[[str_1, 1], [str...|[key_2 -> [str_2,...|[5 -> value_5, 10...|[[str_8, 8] -> va...|
+--------------------+--------------------+--------------------+--------------------+
scala> df.printSchema
root
|-- c: array (nullable = true)
| |-- element: struct (containsNull = true)
| | |-- a: string (nullable = true)
| | |-- b: integer (nullable = false)
|-- d: map (nullable = true)
| |-- key: string
| |-- value: struct (valueContainsNull = true)
| | |-- a: string (nullable = true)
| | |-- b: integer (nullable = false)
|-- e: map (nullable = true)
| |-- key: integer
| |-- value: string (valueContainsNull = true)
|-- f: map (nullable = true)
| |-- key: struct
| |-- value: string (valueContainsNull = true)
| | |-- a: string (nullable = true)
| | |-- b: integer (nullable = false)数组\列表array的索引方式
我们首先来看一下数组\列表array的索引方式：
//c的数据类型为array，我们可以单纯使用点的方式把数组中的某个结构给提取出来
//同样可以使用expr("c['a']")或col("c")("a")的方式获得相同的结果。
scala> df.select("c.a").show(10, false)
+-----------------------------------------------------------------------+
|a |
+-----------------------------------------------------------------------+
|[str_1, str_2, str_3, str_4, str_5, str_6, str_7, str_8, str_9, str_10]|
|[str_1, str_2, str_3, str_4, str_5, str_6, str_7, str_8, str_9, str_10]|
|[str_1, str_2, str_3, str_4, str_5, str_6, str_7, str_8, str_9, str_10]|
|[str_1, str_2, str_3, str_4, str_5, str_6, str_7, str_8, str_9, str_10]|
|[str_1, str_2, str_3, str_4, str_5, str_6, str_7, str_8, str_9, str_10]|
|[str_1, str_2, str_3, str_4, str_5, str_6, str_7, str_8, str_9, str_10]|
|[str_1, str_2, str_3, str_4, str_5, str_6, str_7, str_8, str_9, str_10]|
|[str_1, str_2, str_3, str_4, str_5, str_6, str_7, str_8, str_9, str_10]|
|[str_1, str_2, str_3, str_4, str_5, str_6, str_7, str_8, str_9, str_10]|
|[str_1, str_2, str_3, str_4, str_5, str_6, str_7, str_8, str_9, str_10]|
+-----------------------------------------------------------------------+
scala> df.select("c.a").printSchema
root
|-- a: array (nullable = true)
| |-- element: string (containsNull = true)
//这里介绍一个很有用的表达式explode，它能把数组中的元素展开成多行数据
//比如：
//> SELECT explode(array(10, 20));
// 10
// 20
//还有一个比较有用的函数是posexplode，顾名思义，这个函数会增加一列原始数组的索引
scala> df.select(expr("explode(c.a)")).show
+------+
| col|
+------+
| str_1|
| str_2|
| str_3|
| str_4|
| str_5|
| str_6|
| str_7|
| str_8|
| str_9|
|str_10|
| str_1|
| str_2|
| str_3|
| str_4|
| str_5|
| str_6|
| str_7|
| str_8|
| str_9|
|str_10|
+------+
only showing top 20 rows
scala> df.select(expr("explode(c.a)")).printSchema
root
|-- col: string (nullable = true)
scala> df.select(expr("explode(c)")).show
+------------+
| col|
+------------+
| [str_1, 1]|
| [str_2, 2]|
| [str_3, 3]|
| [str_4, 4]|
| [str_5, 5]|
| [str_6, 6]|
| [str_7, 7]|
| [str_8, 8]|
| [str_9, 9]|
|[str_10, 10]|
| [str_1, 1]|
| [str_2, 2]|
| [str_3, 3]|
| [str_4, 4]|
| [str_5, 5]|
| [str_6, 6]|
| [str_7, 7]|
| [str_8, 8]|
| [str_9, 9]|
|[str_10, 10]|
+------------+
only showing top 20 rows
scala> df.select(expr("explode(c)")).printSchema
root
|-- col: struct (nullable = true)
| |-- a: string (nullable = true)
| |-- b: integer (nullable = false)
//inline也是一个非常有用的函数，它可以把array[struct[XXX]]直接展开成XXX
scala> df.select(expr("inline(c)")).show
+------+---+
| a| b|
+------+---+
| str_1| 1|
| str_2| 2|
| str_3| 3|
| str_4| 4|
| str_5| 5|
| str_6| 6|
| str_7| 7|
| str_8| 8|
| str_9| 9|
|str_10| 10|
| str_1| 1|
| str_2| 2|
| str_3| 3|
| str_4| 4|
| str_5| 5|
| str_6| 6|
| str_7| 7|
| str_8| 8|
| str_9| 9|
|str_10| 10|
+------+---+
only showing top 20 rows
scala> df.select(expr("inline(c)")).printSchema
root
|-- a: string (nullable = true)
|-- b: integer (nullable = false)
字典map的索引方式
下面我们来介绍map的类型的索引方式，其实也无外乎就是我们之前常用的几点
1、点表达式 a.b
2、中括号表达式 expr(“a[‘b’]”)
3、小括号表达式 col(“a”)(“b”)
只是最后取得的列名不同
scala> df.select(expr("posexplode(d)")).printSchema
root
|-- pos: integer (nullable = false)
|-- key: string (nullable = false)
|-- value: struct (nullable = true)
| |-- a: string (nullable = true)
| |-- b: integer (nullable = false)
scala> df.select(expr("posexplode(e)")).printSchema
root
|-- pos: integer (nullable = false)
|-- key: integer (nullable = false)
|-- value: string (nullable = true)
scala> df.select(expr("posexplode(f)")).show
+---+------------+--------+
|pos| key| value|
+---+------------+--------+
| 0| [str_8, 8]| value_8|
| 1|[str_10, 10]|value_10|
| 2| [str_3, 3]| value_3|
| 3| [str_1, 1]| value_1|
| 4| [str_6, 6]| value_6|
| 5| [str_5, 5]| value_5|
| 6| [str_7, 7]| value_7|
| 7| [str_2, 2]| value_2|
| 8| [str_4, 4]| value_4|
| 9| [str_9, 9]| value_9|
| 0| [str_8, 8]| value_8|
| 1|[str_10, 10]|value_10|
| 2| [str_3, 3]| value_3|
| 3| [str_1, 1]| value_1|
| 4| [str_6, 6]| value_6|
| 5| [str_5, 5]| value_5|
| 6| [str_7, 7]| value_7|
| 7| [str_2, 2]| value_2|
| 8| [str_4, 4]| value_4|
| 9| [str_9, 9]| value_9|
+---+------------+--------+
scala> df.select(expr("posexplode(f)")).printSchema
root
|-- pos: integer (nullable = false)
|-- key: struct (nullable = false)
| |-- a: string (nullable = true)
| |-- b: integer (nullable = false)
|-- value: string (nullable = true)
//我们可以使用点表达式去用map的key取value
//如果key不存在这行数据会为null
scala> df.select("d.key_1").show
+----------+
| key_1|
+----------+
|[str_1, 1]|
|[str_1, 1]|
|[str_1, 1]|
|[str_1, 1]|
|[str_1, 1]|
|[str_1, 1]|
|[str_1, 1]|
|[str_1, 1]|
|[str_1, 1]|
|[str_1, 1]|
+----------+
scala> df.select("d.key_1").printSchema
root
|-- key_1: struct (nullable = true)
| |-- a: string (nullable = true)
| |-- b: integer (nullable = false)
//数字为key同样可以使用
//对于数字来讲，expr("e[1]")、expr("e['1']")、col("e")(1)、col("e")("1")这四种表达式都可用
//只是最后取得的列名不同
scala> df.select("e.1").show
+-------+
| 1|
+-------+
|value_1|
|value_1|
|value_1|
|value_1|
|value_1|
|value_1|
|value_1|
|value_1|
|value_1|
|value_1|
+-------+
scala> df.select("e.1").printSchema
root
|-- 1: string (nullable = true)在学习了struct和array的取值后，再看map的取值是不是就特别简单了，下面我们来看一个难一点的例子
最有意思的就是f这个map了，我们用struct作为map的key
这种情况下，我们可以用namedExpressionSeq表达式类构造这个struct
scala> df.select(expr("f[('str_1' AS a, 1 AS b)]")).show
+---------------------------------------------+
|f[named_struct(a, str_1 AS `a`, b, 1 AS `b`)]|
+---------------------------------------------+
| value_1|
| value_1|
| value_1|
| value_1|
| value_1|
| value_1|
| value_1|
| value_1|
| value_1|
| value_1|
+---------------------------------------------+
scala> df.select(expr("f[('str_1' AS a, 1 AS b)]")).printSchema
root
|-- f[named_struct(a, str_1 AS `a`, b, 1 AS `b`)]: string (nullable = true)
以上这种构造方式当然不是凭空想出来的，依据呢当然还是我之前提到的另一个博客里介绍的查看方式https://blog.csdn.net/wang_wbq/article/details/79673780
我们可以在SqlBase.g4文件中找到以下词法描述
primaryExpression
: #前面太长不看
| '(' namedExpression (',' namedExpression)+ ')' #rowConstructor
#中间太长不看
| value=primaryExpression '[' index=valueExpression ']' #subscript
#后面太长不看
;
valueExpression
: primaryExpression
#后面太长不看
;
namedExpression
: expression (AS? (identifier | identifierList))?
;从上面我们可以看出：
1、中括号里需要放置valueExpression
2、valueExpression可以是一个primaryExpression
3、primaryExpression可以是一个'(' namedExpression (',' namedExpression)+ ')'结构
4、namedExpression又是一个exp AS alias的结构
因此，显而易见，我们可以用这种方式来构造结构体去匹配map的key
