动态和可配置的更改多个Spark DataFrame列类型

Question

我是新手，对于Spark和Scala并不熟悉。

我们有一个外部数据源提供JSON。在这个JSON中，所有值，包括数字和布尔字段都有引号。因此，当我将其加载到DataFrame中时，所有列都变成了字符串。最终的目标是将这些JSON记录转换为适当类型的Parquet文件。

大约有100个字段，我需要将其中几个类型从字符串更改为int、boolean或bigint（long）。此外，我们处理的每个DataFrame只会有一部分这些字段，而不是全部。因此，我需要能够处理给定DataFrame的子集列，并将每个列与已知的列类型列表进行比较，根据出现在DataFrame中的列将某些列从字符串转换为int、bigint和boolean。

最后，我需要可配置的列类型列表，因为未来我们将有新的列，并可能要删除或更改旧的列。

接下来是我的进展：

// first I convert to all lower case for column names
val df = dfIn.toDF(dfIn.columns map(_.toLowerCase): _*)

// Big mapping to change types
// TODO how would I make this configurable?
// I'd like to drive this list from an external config file.
val dfOut = df.select(
   df.columns.map {

     ///// Boolean
     case a @ "a" => df(a).cast(BooleanType).as(a)
     case b @ "b" => df(b).cast(BooleanType).as(b)

     ///// Integer
     case i @ "i" => df(i).cast(IntegerType).as(i)
     case j @ "j" => df(j).cast(IntegerType).as(j)


     // Bigint to Double
     case x @ "x" => df(x).cast(DoubleType).as(x)
     case y @ "y" => df(y).cast(DoubleType).as(y)

     case other         => df(other)
   }: _*
)

这是一种高效的将数据转换为我在Scala中想要的类型的方法吗？

我需要一些建议，如何从外部的“配置”文件驱动它，我可以在其中定义列类型。

- medloh

Answer 1

我的问题演变成了这个问题。那里给出了一个很好的答案：

Spark 2.2 Scala DataFrame select from string array, catching errors

- medloh