java - Spark : How to map Python with Scala or Java User Defined Functions?

Question

例如，假设我的团队选择 Python 作为使用 Spark 开发的引用语言。但后来出于性能原因，我们希望开发特定的 Scala 或 Java 特定库，以便将它们与我们的 Python 代码映射(类似于具有 Scala 或 Java 骨架的 Python stub )。

您不认为有可能将新的自定义 Python 方法与一些 Scala 或 Java 用户定义函数进行接口(interface)吗？

Answer 1

Spark 2.1+

您可以使用 SQLContext.registerJavaFunction :

Register a java UDF so it can be used in SQL statements.

需要 name、Java 类的完全限定名称和可选的返回类型。不幸的是，目前它只能在 SQL 语句中使用(或与 expr/selectExpr 一起使用)并且需要 Java org.apache.spark.sql.api.java .UDF*:

scalaVersion := "2.11.8"

libraryDependencies ++= Seq(
  "org.apache.spark" %% "spark-sql" % "2.1.0"
)

package com.example.spark.udfs

import org.apache.spark.sql.api.java.UDF1

class addOne extends UDF1[Integer, Integer] {
  def call(x: Integer) = x + 1
} 

sqlContext.registerJavaFunction("add_one", "com.example.spark.udfs.addOne")
sqlContext.sql("SELECT add_one(1)").show()

## +------+
## |UDF(1)|
## +------+
## |     2|
## +------+

版本独立:

我不会说它受支持，但它肯定是可能的。目前在 PySpark 中可用的所有 SQL 函数都只是 Scala API 的包装器。

假设我想重用 GroupConcat 作为对 SPARK SQL replacement for mysql GROUP_CONCAT aggregate function 的回答而创建的 UDAF它位于 com.example.udaf 包中:

from pyspark.sql.column import Column, _to_java_column, _to_seq
from pyspark.sql import Row

row = Row("k", "v")
df = sc.parallelize([
    row(1, "foo1"), row(1, "foo2"), row(2, "bar1"), row(2, "bar2")]).toDF()

def groupConcat(col):
    """Group and concatenate values for a given column

    >>> df = sqlContext.createDataFrame([(1, "foo"), (2, "bar")], ("k", "v"))
    >>> df.select(groupConcat("v").alias("vs"))
    [Row(vs=u'foo,bar')]
    """
    sc = SparkContext._active_spark_context
    # It is possible to use java_import to avoid full package path
    _groupConcat = sc._jvm.com.example.udaf.GroupConcat.apply
    # Converting to Seq to match apply(exprs: Column*)
    return Column(_groupConcat(_to_seq(sc, [col], _to_java_column)))

df.groupBy("k").agg(groupConcat("v").alias("vs")).show()

## +---+---------+
## |  k|       vs|
## +---+---------+
## |  1|foo1,foo2|
## |  2|bar1,bar2|
## +---+---------+

根据我的喜好，前导下划线太多了，但正如您所见，这是可以做到的。

相关:

• Calling Java/Scala function from a task
• How to use a Scala class inside Pyspark
• Transforming PySpark RDD with Scala