spark 计算 array 非空的数量

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

Apache Hadoop

Hortonworks Sandbox

Intel Hadoop Distribution

Treasure Data

这是一个创建于 2918 天前的主题，其中的信息可能已经有所发展或是发生改变。

格式如下

|-- email: array (nullable = true) | |-- element: string (cOntainsNull= true)

想计算 dataframe 中 email 非空的数量，该如何计算

小白提问，勿喷。

感谢各位

array

true

计算

9 条回复 2017-10-16 16:05:46 +08:00

F281M6Dh8DXpD1g2

2017-10-16 11:46:11 +08:00 via iPhone

array 长度大于零呗

linuxchild

2017-10-16 12:04:36 +08:00

@liprais

查询语句是下面这种，其中 tb_name 是 dataframe 创建出来的 TempView：

scala> var test=spark.sql("select count(email) from tb_name where IsNotNull(email[0])")

scala> test.show()

但是这样会提示
Can not initialize counter due to context is not a instance of TaskInputOutputContext, but is org.apache.hadoop.mapreduce.task.TaskAttemptContextImpl

最终计算结果不正确，请问您知道我是哪里搞错了么

linuxchild

2017-10-16 12:08:47 +08:00

@liprais 哎，搞错了。

提示了满屏的警告后，然后出来了一个数……

noNOno

2017-10-16 12:41:34 +08:00

spark.sql("select count(case when isnotnull(email[0]) then 1 else null),count(1) from tb_name")
这样调试一下看看

linuxchild

2017-10-16 14:41:12 +08:00

@noNOno 这样好像语法有问题，提示

org.apache.spark.sql.catalyst.parser.ParseException:
mismatched input 'when' expecting {')', ',', '.', '[', 'OR', 'AND', 'IN', NOT, 'BETWEEN', 'LIKE', RLIKE, 'IS', EQ, '<=>', '<>', '!=', '<', LTE, '>', GTE, '+', '-', '*', '/', '%', 'DIV', '&', '|', '^'}(line 1, pos 18)

noNOno

2017-10-16 14:50:52 +08:00

@linuxchild 不好意思,case when 少写了个 End.
然后我想说的是,你的 IsNotNull(email[0])放在了 where 条件中 /作为过滤条件,查询的时候实际上会把 array 解析为多行.有可能的情况是 email[0]为 null,但是 email 不是 null.
建议用 array 长度来判断是否是 null

linuxchild

2017-10-16 15:41:32 +08:00

@noNOno 加上 end 可以了。

多问一句，array 的长度用什么函数？在 sql 中写 email.length() email.size()都会提示 Undefined function 错误

noNOno

2017-10-16 15:51:09 +08:00

@linuxchild size(email)

linuxchild

2017-10-16 16:05:46 +08:00

@noNOno 谢谢耐心回复，感谢感谢