Я пытаюсь прочитать файл avro с помощью pyspark и отсортировать один из столбцов на основе определенных ключей. Один из столбцов в моем файле avro содержит данные MapType
, которые мне нужно отсортировать по ключам. Тестовый avro содержит только одну строку со столбцом сущностей, имеющим MapType
данных. Я намерен записать вывод в файл avro, но с порядком ключей. К сожалению, я не могу этого добиться, не уверен, что это вообще возможно в avro? Он записывает обратно тем же образом, что и входные данные. Вот мой код (я создал блокнот, чтобы проверить его):
from pyspark.conf import SparkConf
from pyspark.sql import SparkSession
from pyspark.sql.functions import udf, lit, to_json, create_map, from_json
from pyspark.sql import Row
from pyspark import StorageLevel
import json
from pyspark.sql.types import StringType
import shutil
from pyspark.sql.types import MapType, ArrayType, StringType, StructType, StructField
spark = SparkSession .builder .appName("AvroTest") .config("spark.jars.packages", "org.apache.spark:spark-avro_2.11:2.4.0") .getOrCreate()
df = spark.read.format("avro").load("part-r-00000.avro")
schema = df.select('entities').schema
sch = schema.fields[0].dataType
print(df.schema)
@udf
def udf_func(line):
for entkey,subdict in line.items():
subdictnew = subdict.asDict(True)
sorteddict = dict(sorted(subdictnew['entities'].items(), key=lambda a: int(a[0])))
subdictnew['entities'] = sorteddict
line[entkey] = subdictnew
return str(line)
dfnew = df.withColumn('entities', from_json(udf_func(df['entities']), sch)).persist(StorageLevel.MEMORY_ONLY_SER)
#dfnew.show()
d = dfnew.dtypes
newschema = dfnew.schema
try:
shutil.rmtree('testavro/sortedData')
except:
print('folder already removed')
dfnew.write.format('avro').save('ctipavro/sortedData')
dfnew.show(1, False)
Приведенный выше код записывает avro обратно, но в несортированном виде. Последняя строка выводит запись столбца фрейма данных для «сущностей» в отсортированном виде.
|37321431529|37321431529|1561020714|[trade -> [trade, [59489777 -> [TRADE_ASSOC_TO_DB_DT -> 2011-09-30, FCBA_IN -> N, ACCT_BALANCE_AM -> 0, CII_BKRPT_CD -> , CREDIT_AM_EXCP_CD -> 6, FRAUD_IN -> N, ACCT_REPORTED_DT -> 2019-04-01, DATA_USAGE_EXCL_IN -> N, CII_REAFF_CD -> , DEDUP_RANK_CD -> 0, NY_DISPLAY_RULE_IN -> N, ACCT_HIGH_BALANCE_AM_EXCP_CD -> 6, ACCT_PAYMENT_AM -> 13, EXCLUSION_CD -> 0, KOB_CD -> BB, PAYMENT_GRID_2 -> 0000000-0-0000-00-00000..............
Обратите внимание, здесь я печатаю вывод фрейма данных, который уже был отсортирован. Но когда я пытаюсь прочитать сохраненный файл avro обратно в новый фрейм данных и выполнить show()
, ключи снова не отсортированы. Обратите внимание на первый ключ для trade -> [trade
, он должен был быть 59489777
, тогда как это что-то другое - 51237292611
. Кстати, этот ключ появлялся, когда я впервые читал ввод avro, не знаю, почему после сортировки и обратной записи он сначала печатает тот же ключ:
dffresh = spark.read.format("avro").load("testavro/sortedData")
schema = dffresh.schema
print(schema)
dffresh.show(1, False)
Выход:
|37321431529|37321431529|1561020714|[trade -> [trade, [51237292611 -> [TRADE_ASSOC_TO_DB_DT -> 2014-09-20, FCBA_IN -> N, ACCT_BALANCE_AM -> 0, CII_BKRPT_CD -> , CREDIT_AM_EXCP_CD -> 6, FRAUD_IN -> N, ACCT_REPORTED_DT -> 2019-05-01, DATA_USAGE_EXCL_IN -> N, CII_REAFF_CD -> , DEDUP_RANK_CD -> 0, NY_DISPLAY_RULE_IN -> N, ACCT_HIGH_BALANCE_AM_EXCP_CD -> 6, ACCT_PAYMENT_AM -> 0, EXCLUSION_CD -> 0, KOB_CD -> BC, PAYMENT_GRID_2 -> 000000C0000000..................................
Я бы попросил кого-нибудь, пожалуйста, помогите мне. Я пробовал множество способов и искал несколько вопросов SO и не мог найти подсказку о том, как этого добиться.
part-r-00000.avro
и схема для него - person Som   schedule 15.06.2020