apache-spark - 将可为空的列作为参数传递给 Spark SQL UDF

Question

这是一个 Spark UDF，我用它来使用几个列来计算值。

def spark_udf_func(s: String, i:Int): Boolean = { 
    // I'm returning true regardless of the parameters passed to it.
    true
}

val spark_udf = org.apache.spark.sql.functions.udf(spark_udf_func _)

val df = sc.parallelize(Array[(Option[String], Option[Int])](
  (Some("Rafferty"), Some(31)), 
  (null, Some(33)), 
  (Some("Heisenberg"), Some(33)),  
  (Some("Williams"), null)
)).toDF("LastName", "DepartmentID")

df.withColumn("valid", spark_udf(df.col("LastName"), df.col("DepartmentID"))).show()

+----------+------------+-----+
|  LastName|DepartmentID|valid|
+----------+------------+-----+
|  Rafferty|          31| true|
|      null|          33| true|
|Heisenberg|          33| true|
|  Williams|        null| null|
+----------+------------+-----+

谁能解释为什么最后一行的有效列值为空？

当我检查 Spark 计划时，我发现该计划有一个 case 条件，它表示如果 column2 (DepartmentID) 为 null，则必须返回 null。

== Physical Plan ==

*Project [_1#699 AS LastName#702, _2#700 AS DepartmentID#703, if (isnull(_2#700)) null else UDF(_1#699, _2#700) AS valid#717]
+- *SerializeFromObject [staticinvoke(class org.apache.spark.unsafe.types.UTF8String, StringType, fromString, unwrapoption(ObjectType(class java.lang.String), assertnotnull(input[0, scala.Tuple2, true])._1), true) AS _1#699, unwrapoption(IntegerType, assertnotnull(input[0, scala.Tuple2, true])._2) AS _2#700]
   +- Scan ExternalRDDScan[obj#698]

为什么 Spark 中会有这样的行为？
为什么只有整数列？
我在这里做错了什么，当 UDF 参数为 null 时，在 UDF 中处理 null 的正确方法是什么？

Answer 1

问题是 null 不是 scala Int 的有效值(它是支持值)，但它是 String 的有效值。 Int 相当于 java int 原语并且必须有一个值。这意味着当值为 null 时无法调用 udf，因此 null 仍然存在。

有两种方法可以解决这个问题:

1. 更改函数以接受 java.lang.Integer(它是一个对象，可以为 null)
2. 如果您无法更改该函数，则可以使用when/otherwise 在 null 的情况下执行一些特殊操作。例如when(col("int col").isNull, someValue).otherwise(原始调用)