Spark与SQL之间NB的转换_withClumn，split及SubString

Matrix702023-11-18 11:04

业务描述

业务中有这样一个场景，我想实现的是将dataframe表table1中的字段b1与c1的内容使用下划线_连接起来列的名字为d1,比如比如学习_1,睡觉_2，吃饭_3，这是我的第一个需求；随后我想保留的是dataframe表table1中的字段d1中的数据比如学习_1,睡觉_2，吃饭_3，中的数据中_前后的数据分别作为两列e1，f1。

该怎么写这个spark代码，我的想法是使用withclumn函数及split函数.sql来写的话就是使用subString函数来进行_匹配。

为什么要这么做，因为单独的b1列是一个目标的id,而b2是作为每天不同时间段传过来数据的批号，一批一批的实时数据过来，一个目标一天内对应许多个批次数据，批次的名称是单独不重复的。为了后面做类别，先把目标，批次联合在一起，做一个联合 '目标_批次'，然后再把目标，批次拆开供后面的聚合使用。

比如说

sql代码

sql 复制代码

SELECT SUBSTRING_INDEX(a1, '_', 1) AS a2
FROM table1;

Spark代码

创建一个DataFrame，名为table1，将b1和c1字段的内容使用下划线连接起来，并将新的列命名为d1：

Scala 复制代码

import org.apache.spark.sql.functions._  
  
val table1 = Seq(  
  ("学习", "1"),  
  ("睡觉", "2"),  
  ("吃饭", "3")  
).toDF("b1", "c1")  
  
val table1_d1 = table1.withColumn("d1", concat($"b1", "_", $"c1"))

使用split函数将d1字段中的数据拆分为两列e1和f1

Scala 复制代码

val table1_d1_split = table1_d1.withColumn("e1", split(col("d1"), "_")(0))  
                               .withColumn("f1", split(col("d1"), "_")(1))

table1_d1_split.show()

table1_d1_split DataFrame将包含新的列e1和f1，分别包含下划线前后的数据

Scala 复制代码

+------+------+------+------+------+  
|   b1 |   c1 |   d1 |   e1 |   f1 |  
+------+------+------+------+------+  
| 学习 |   1  | 学习_1 | 学习 |   1  |  
| 睡觉 |   2  | 睡觉_2 | 睡觉 |   2  |  
| 吃饭 |   3  | 吃饭_3 | 吃饭 |   3  |

sql的就是不断地截取

整体的处理这块逻辑代码：

Scala 复制代码

import org.apache.spark.sql.functions._  
  
val table1 = Seq(  
  ("学习", "1"),  
  ("睡觉", "2"),  
  ("吃饭", "3")  
).toDF("b1", "c1")  
  
val table1_d1 = table1.withColumn("d1", concat($"b1", "_", $"c1"))
val table1_d1_split = table1_d1.withColumn("e1", split(col("d1"), "_")(0))  
                               .withColumn("f1", split(col("d1"), "_")(1))

table1_d1_split.show()