将Dataset[Array[String]]转换为Dataset[MyCaseClass]

Question

我正在处理一个csv文件，如下所示

"age;""job"";""marital"""
"58;""management"";""married"""
"44;""technician"";""single"""

由于额外的引号，spark.read.csv没有提供干净的列。因此，我想使用spark.read.textFile，这给了DatasetString。我使用下面的代码删除引号并拆分它们。

case class MyCaseClass(age: String, job: String, marital: String)
val inputDS = spark.read.textFile(inpPath)
val cleanDS = inputDS.map(_.replaceAll(""""""", "").split(";"))
val seperatedDS = cleanDS.as[MyCaseClass] //fails

是否有实现这种数据集转换的方法，还是将数据集拆分为多列的更好方法？目前，我正在使用RDD来完成这项工作，但是我想知道Dataset/Dataframe的方法。

Answer 1

您可以从每个拆分行构造一个MyCaseClass记录，以便您拥有RDD[MyCaseClass]，然后可以直接将其转换为数据帧：

val cleanDS = inputDS.map(line => {
  val fields = line.replaceAll("\"", "").split(";")
  MyCaseClass(fields(0), fields(1), fields(2))
})

cleanDS
// res37: org.apache.spark.sql.Dataset[MyCaseClass] = [age: string, job: string ... 1 more field]

cleanDS.toDF.show
+---+----------+-------+
|age|       job|marital|

+---+----------+-------+
|age|       job|marital|
| 58|management|married|
| 44|technician| single|
+---+----------+-------+