我从我的datalake读取文件并将它们加载到数据框中由于kafka(here)中的强制转换问题,加载的数据有一些与源数据库中的类型不同的字段
因此,我使用错误的数据类型(bunary)从S3加载数据,并使用UDF函数将每个列转换为另一列
然后,我重命名新列以替换olders,以在源数据库和目标数据库中保持相同的结构
脚步 :
之前:
myTable
|
+-- myField1 (binary)
+-- myField2 (binary)
+-- myField3 (binary)
中间状态1(使用UDF功能):
myTable
|
+-- myField1 (binary)
+-- myField1_new (numeric)
+-- myField2 (binary)
+-- myField2_new (numeric)
+-- myField3 (binary)
+-- myField3_new (numeric)
中间国家2(下降旧栏目):
myTable
|
+-- myField1_new (numeric)
+-- myField2_new (numeric)
+-- myField3_new (numeric)
最终状态(重命名计算列):
myTable
|
+-- myField1 (numeric)
+-- myField1 (numeric)
+-- myField1 (numeric)
这是我使用的语法:
spark.sql('select *,
MyUDF(myfield1) myfield1_new,
MyUDF(myfield2) myfield2_new,
MyUDF(myfield3) myfield3_new
from my_table')
.drop('myfield1').withColumnRenamed('myfield1_new', 'myfield1')
.drop('myfield2').withColumnRenamed('myfield2_new', 'myfield2')
.drop('myfield3').withColumnRenamed('myfield3_new', 'myfield3')
.show(1, False)
我的问题是这个过程真的很慢,因为在真实的 生产环境 表中要计算439个字段(439 !!!)
有没有办法更快地完成它?在飞行中重命名还是其他什么?
谢谢你的帮助
1 回答
我看到了这个问题的previous主题 .
扩展那个,假设你有
df
为EDIT :由于列
myfield
的格式为bytearray(b'\x00')
,转换方式如下(由@Ftagn指出) . 否则,如果是字符串列表,请使用commented return
.并创建输出,使用
这会产生,
相反,如果你使用,
你得到,