apache-spark - 数据框到数据集，类型为 Any

Question

我最近从 Spark 1.6 迁移到 Spark 2.X，并且我想尽可能地从 Dataframes 迁移到 Datasets。我试过这样的代码

case class MyClass(a : Any, ...)

val df = ...
df.map(x => MyClass(x.get(0), ...))

如您所见 MyClass有一个类型为 Any 的字段，因为我在编译时不知道我用 x.get(0) 检索的字段的类型.它可能是 long、string、int 等。

但是，当我尝试执行类似于您在上面看到的代码时，我得到一个异常:

java.lang.ClassNotFoundException: scala.Any

通过一些调试，我意识到引发了异常，而不是因为我的数据类型为 Any , 但因为 MyClass有一个类型 Any .那么我该如何使用数据集呢？

Answer 1

除非你对 limited and ugly workarounds 感兴趣喜欢 Encoders.kryo :

import org.apache.spark.sql.Encoders

case class FooBar(foo: Int, bar: Any)

spark.createDataset(
  sc.parallelize(Seq(FooBar(1, "a")))
)(Encoders.kryo[FooBar])

或者

spark.createDataset(
  sc.parallelize(Seq(FooBar(1, "a"))).map(x => (x.foo, x.bar))
)(Encoders.tuple(Encoders.scalaInt, Encoders.kryo[Any]))

你没有。 Dataset 中的所有字段/列必须是已知的同类类型，其中存在隐式 Encoder范围内。 Any 根本没有位置那里。

UDT API 提供了更多的灵 active 并允许有限的多态性，但它是私有(private)的，与 Dataset 不完全兼容API 并带有显着的性能和存储损失。

如果对于给定的执行所有相同类型的值，您当然可以创建专门的类并决定在运行时使用哪一个。