scala - 如何在带有 Spark 的 Scala 中使用 countDistinct？

Question

根据 DataBrick's blog，我尝试使用应该在 Spark 1.5 中可用的 countDistinct 函数.但是，我得到以下异常:

Exception in thread "main" org.apache.spark.sql.AnalysisException: undefined function countDistinct;

我在 Spark developers' mail list 上发现了这一点他们建议使用 count 和 distinct 函数来获得应由 countDistinct 产生的相同结果:

count(distinct <columnName>)
// Instead
countDistinct(<columnName>)

因为我从聚合函数的名称列表动态构建聚合表达式，所以我希望没有任何需要不同处理的特殊情况。

那么，是否可以通过以下方式统一它:

注册新的 UDAF，它将成为 count(distinct columnName) 的别名

手动注册已经在 Spark CountDistinct 函数中实现，这可能是以下导入中的一个:

导入 org.apache.spark.sql.catalyst.expressions.{CountDistinctFunction, CountDistinct}

或以任何其他方式做到这一点？

编辑:
示例(删除了一些本地引用和不必要的代码):

import org.apache.spark.SparkContext
import org.apache.spark.sql.{Column, SQLContext, DataFrame}
import org.apache.spark.sql.functions._

import scala.collection.mutable.ListBuffer


class Flattener(sc: SparkContext) {
  val sqlContext = new SQLContext(sc)

  def flatTable(data: DataFrame, groupField: String): DataFrame = {
    val flatteningExpressions = data.columns.zip(TypeRecognizer.getTypes(data)).
      flatMap(x => getFlatteningExpressions(x._1, x._2)).toList

    data.groupBy(groupField).agg (
      expr(s"count($groupField) as groupSize"),
      flatteningExpressions:_*
    )
  }

  private def getFlatteningExpressions(fieldName: String, fieldType: DType): List[Column] = {
    val aggFuncs = getAggregationFunctons(fieldType)

    aggFuncs.map(f => expr(s"$f($fieldName) as ${fieldName}_$f"))
  }

  private def getAggregationFunctons(fieldType: DType): List[String] = {
    val aggFuncs = new ListBuffer[String]()

    if(fieldType == DType.NUMERIC) {
      aggFuncs += ("avg", "min", "max")
    }

    if(fieldType == DType.CATEGORY) {
      aggFuncs += "countDistinct"
    }

    aggFuncs.toList
  }

}

Answer 1

countDistinct 可以以两种不同的形式使用:

df.groupBy("A").agg(expr("count(distinct B)")

或者

df.groupBy("A").agg(countDistinct("B"))

但是，当您希望将它们与自定义 UDAF(在 Spark 1.5 中作为 UserDefinedAggregateFunction 实现)在同一列上使用它们时，这两种方法都不起作用:

// Assume that we have already implemented and registered StdDev UDAF 
df.groupBy("A").agg(countDistinct("B"), expr("StdDev(B)"))

// Will cause
Exception in thread "main" org.apache.spark.sql.AnalysisException: StdDev is implemented based on the new Aggregate Function interface and it cannot be used with functions implemented based on the old Aggregate Function interface.;

由于这些限制，看起来最合理的是将 countDistinct 实现为 UDAF，它应该允许以相同的方式处理所有函数以及将 countDistinct 与其他 UDAF 一起使用。

示例实现可能如下所示:

import org.apache.spark.sql.Row
import org.apache.spark.sql.expressions.{MutableAggregationBuffer, UserDefinedAggregateFunction}
import org.apache.spark.sql.types._

class CountDistinct extends UserDefinedAggregateFunction{
  override def inputSchema: StructType = StructType(StructField("value", StringType) :: Nil)

  override def update(buffer: MutableAggregationBuffer, input: Row): Unit = {
    buffer(0) = (buffer.getSeq[String](0).toSet + input.getString(0)).toSeq
  }

  override def bufferSchema: StructType = StructType(
      StructField("items", ArrayType(StringType, true)) :: Nil
  )

  override def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = {
    buffer1(0) = (buffer1.getSeq[String](0).toSet ++ buffer2.getSeq[String](0).toSet).toSeq
  }

  override def initialize(buffer: MutableAggregationBuffer): Unit = {
    buffer(0) = Seq[String]()
  }

  override def deterministic: Boolean = true

  override def evaluate(buffer: Row): Any = {
    buffer.getSeq[String](0).length
  }

  override def dataType: DataType = IntegerType
}