scala - Apache Spark 中的案例类相等

Question

为什么 Spark 中的模式匹配与 Scala 中的模式匹配不同？请参见下面的示例...函数 f()尝试对类进行模式匹配，这在 Scala REPL 中有效，但在 Spark 中失败并导致所有“???”。 f2()是一种使用 .isInstanceOf() 在 Spark 中获得所需结果的解决方法，但我知道这在 Scala 中是不好的形式。

非常感谢在 Spark 中的这种情况下以正确方式匹配模式的任何帮助。

abstract class a extends Serializable {val a: Int}
case class b(a: Int) extends a 
case class bNull(a: Int=0) extends a 

val x: List[a] = List(b(0), b(1), bNull())
val xRdd = sc.parallelize(x)

尝试在 Scala REPL 中有效但在 Spark 中失败的模式匹配

def f(x: a) = x match {
    case b(n) => "b"
    case bNull(n) => "bnull"
    case _ => "???"
}

解决方法在 Spark 中起作用，但形式不佳(我认为)

def f2(x: a) = {
    if (x.isInstanceOf[b]) {
        "b"
    } else if (x.isInstanceOf[bNull]) {
        "bnull"
    } else {
        "???"
    }
}

查看结果

xRdd.map(f).collect                   //does not work in Spark
                                      // result: Array("???", "???", "???")
xRdd.map(f2).collect                  // works in Spark
                                      // resut: Array("b", "b", "bnull")
x.map(f(_))                           // works in Scala REPL    
                                      // result: List("b", "b", "bnull")

使用的版本...
Spark 结果在 spark-shell 中运行(AWS EMR-4.3 上的 Spark 1.6)
SBT 0.13.9 (Scala 2.10.5) 中的 Scala REPL

Answer 1

这是 Spark REPL 的一个已知问题。您可以在 SPARK-2620 中找到更多详细信息.它影响 Spark REPL 中的多个操作，包括 PairwiseRDDs 上的大多数转换。 .例如:

case class Foo(x: Int)

val foos = Seq(Foo(1), Foo(1), Foo(2), Foo(2))
foos.distinct.size
// Int = 2

val foosRdd = sc.parallelize(foos, 4)
foosRdd.distinct.count
// Long = 4  

foosRdd.map((_, 1)).reduceByKey(_ + _).collect
// Array[(Foo, Int)] = Array((Foo(1),1), (Foo(1),1), (Foo(2),1), (Foo(2),1))

foosRdd.first == foos.head
// Boolean = false

Foo.unapply(foosRdd.first) == Foo.unapply(foos.head)
// Boolean = true

更糟糕的是，结果取决于数据分布:

sc.parallelize(foos, 1).distinct.count
// Long = 2

sc.parallelize(foos, 1).map((_, 1)).reduceByKey(_ + _).collect
// Array[(Foo, Int)] = Array((Foo(2),2), (Foo(1),2))

您可以做的最简单的事情是在 REPL 之外定义和打包所需的案例类。使用 spark-submit 直接提交的任何代码也应该工作。

在 Scala 2.11+ 中，您可以使用 paste -raw 在 REPL 中直接创建包.

scala> :paste -raw
// Entering paste mode (ctrl-D to finish)

package bar

case class Bar(x: Int)


// Exiting paste mode, now interpreting.

scala> import bar.Bar
import bar.Bar

scala> sc.parallelize(Seq(Bar(1), Bar(1), Bar(2), Bar(2))).distinct.collect
res1: Array[bar.Bar] = Array(Bar(1), Bar(2))