- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我有一些代码是用 PySpark 编写的,我正忙着将其转换为 Scala。一切顺利,除了现在我在 Scala 中为用户定义的函数而苦苦挣扎。
from pyspark.sql import SparkSession
from pyspark.sql import SQLContext
from pyspark.sql.types import *
from pyspark.sql import functions as F
spark = SparkSession.builder.master('local[*]').getOrCreate()
a = spark.sparkContext.parallelize([(1,), (2,), (3,), (4,), (5,), (6,), (7,), (8,), (9,), (10,)]).toDF(["index"]).withColumn("a1", F.lit(1)).withColumn("a2", F.lit(2)).withColumn("a3", F.lit(3))
a = a.select("index", F.struct(*('a' + str(c) for c in range(1, 4))).alias('a'))
a.show()
def a_to_b(a):
# 1. check if a technical cure exists
b = {}
for i in range(1, 4):
b.update({'b' + str(i): a[i - 1] ** 2})
return b
a_to_b_udf = F.udf(lambda x: a_to_b(x), StructType(list(StructField("b" + str(x), IntegerType()) for x in range(1, 4))))
b = a.select("index", "a", a_to_b_udf(a.a).alias("b"))
b.show()
这会产生:
+-----+-------+
|index| a|
+-----+-------+
| 1|[1,2,3]|
| 2|[1,2,3]|
| 3|[1,2,3]|
| 4|[1,2,3]|
| 5|[1,2,3]|
| 6|[1,2,3]|
| 7|[1,2,3]|
| 8|[1,2,3]|
| 9|[1,2,3]|
| 10|[1,2,3]|
+-----+-------+
和
+-----+-------+-------+
|index| a| b|
+-----+-------+-------+
| 1|[1,2,3]|[1,4,9]|
| 2|[1,2,3]|[1,4,9]|
| 3|[1,2,3]|[1,4,9]|
| 4|[1,2,3]|[1,4,9]|
| 5|[1,2,3]|[1,4,9]|
| 6|[1,2,3]|[1,4,9]|
| 7|[1,2,3]|[1,4,9]|
| 8|[1,2,3]|[1,4,9]|
| 9|[1,2,3]|[1,4,9]|
| 10|[1,2,3]|[1,4,9]|
+-----+-------+-------+
import org.apache.spark.sql._
import org.apache.spark.sql.functions._
// can ignore if running on spark-shell
val spark: SparkSession = SparkSession.builder()
.master("local[*]")
.getOrCreate()
import spark.implicits._
var a = spark.sparkContext.parallelize(1 to 10).toDF("index").withColumn("a1", lit(1)).withColumn("a2", lit(2)).withColumn("a3", lit(3))
// convert a{x} to struct column
a = a.select($"index", struct((1 to 3).map {x => col("a" + x)}.toList:_*).alias("a"))
a.show()
// this is where I am struggling, I have tried supplying a schema, but still get errors
val f = udf((a: Column) => {
Seq(Math.pow(a(0).asInstanceOf[Double], 2), Math.pow(a(1).asInstanceOf[Double], 2), Math.pow(a(2).asInstanceOf[Double], 2))
})
val b = a.select($"index", $"a", f($"a").alias("b"))
// throws the below error
b.show()
我可以 show() 第一个 DataFrame,但在尝试显示 b
时出现转换错误。
错误是:
java.lang.ClassCastException: org.apache.spark.sql.catalyst.expressions.GenericRowWithSchema cannot be cast to org.apache.spark.sql.Column
at $line23.$read$$iw$$iw$$iw$$iw$$iw$$iw$$iw$$iw$$iw$$iw$$iw$$iw$$anonfun$1.apply(<console>:31)
at org.apache.spark.sql.catalyst.expressions.GeneratedClass$GeneratedIterator.processNext(Unknown Source)
at org.apache.spark.sql.execution.BufferedRowIterator.hasNext(BufferedRowIterator.java:43)
at org.apache.spark.sql.execution.WholeStageCodegenExec$$anonfun$8$$anon$1.hasNext(WholeStageCodegenExec.scala:370)
at org.apache.spark.sql.execution.SparkPlan$$anonfun$4.apply(SparkPlan.scala:246)
at org.apache.spark.sql.execution.SparkPlan$$anonfun$4.apply(SparkPlan.scala:240)
at org.apache.spark.rdd.RDD$$anonfun$mapPartitionsInternal$1$$anonfun$apply$24.apply(RDD.scala:784)
at org.apache.spark.rdd.RDD$$anonfun$mapPartitionsInternal$1$$anonfun$apply$24.apply(RDD.scala:784)
at org.apache.spark.rdd.MapPartitionsRDD.compute(MapPartitionsRDD.scala:38)
at org.apache.spark.rdd.RDD.computeOrReadCheckpoint(RDD.scala:319)
at org.apache.spark.rdd.RDD.iterator(RDD.scala:283)
at org.apache.spark.scheduler.ResultTask.runTask(ResultTask.scala:70)
at org.apache.spark.scheduler.Task.run(Task.scala:85)
at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:274)
at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1142)
at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617)
at java.lang.Thread.run(Thread.java:745)
我已尝试像在 Python 中那样为我的 UDF 设置模式,但我仍然遇到相同的错误。
有谁知道我该如何解决这个问题?我的例子很简单,但是我需要在 UDF 上做的是在返回结构之前做很多转换。
最佳答案
我觉得很傻,因为我从周五下午开始就一直在挣扎。
来自 Spark Sql UDF with complex input parameter ,
struct types are converted to
org.apache.spark.sql.Row
我的问题出在我为函数提供的 Column
类型上。
val f = udf((a: Column) => {
Seq(Math.pow(a(0).asInstanceOf[Double], 2), Math.pow(a(1).asInstanceOf[Double], 2), Math.pow(a(2).asInstanceOf[Double], 2))
})
我应该改用 Row
。
val f = udf((a: Row) => {
println("testing")
Seq(Math.pow(a(0).asInstanceOf[Int], 2).asInstanceOf[Int],
Math.pow(a(1).asInstanceOf[Int], 2).asInstanceOf[Int],
Math.pow(a(2).asInstanceOf[Int], 2).asInstanceOf[Int])
})
关于scala - PySpark 到 Scala : UDF with StructType, GenericRowWithSchema 无法转换为 org.apache.spark.sql.Column,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/40695554/
目前正在学习 Spark 的类(class)并了解到执行者的定义: Each executor will hold a chunk of the data to be processed. Thisc
阅读了有关 http://spark.apache.org/docs/0.8.0/cluster-overview.html 的一些文档后,我有一些问题想要澄清。 以 Spark 为例: JavaSp
Spark核心中的调度器与以下Spark Stack(来自Learning Spark:Lightning-Fast Big Data Analysis一书)中的Standalone Schedule
我想在 spark-submit 或 start 处设置 spark.eventLog.enabled 和 spark.eventLog.dir -all level -- 不要求在 scala/ja
我有来自 SQL Server 的数据,需要在 Apache Spark (Databricks) 中进行操作。 在 SQL Server 中,此表的三个键列使用区分大小写的 COLLATION 选项
所有这些有什么区别和用途? spark.local.ip spark.driver.host spark.driver.bind地址 spark.driver.hostname 如何将机器修复为 Sp
我有大约 10 个 Spark 作业,每个作业都会进行一些转换并将数据加载到数据库中。必须为每个作业单独打开和关闭 Spark session ,每次初始化都会耗费时间。 是否可以只创建一次 Spar
/Downloads/spark-3.0.1-bin-hadoop2.7/bin$ ./spark-shell 20/09/23 10:58:45 WARN Utils: Your hostname,
我是 Spark 的完全新手,并且刚刚开始对此进行更多探索。我选择了更长的路径,不使用任何 CDH 发行版安装 hadoop,并且我从 Apache 网站安装了 Hadoop 并自己设置配置文件以了解
TL; 博士 Spark UI 显示的内核和内存数量与我在使用 spark-submit 时要求的数量不同 更多细节: 我在独立模式下运行 Spark 1.6。 当我运行 spark-submit 时
spark-submit 上的文档说明如下: The spark-submit script in Spark’s bin directory is used to launch applicatio
关闭。这个问题是opinion-based .它目前不接受答案。 想改善这个问题吗?更新问题,以便可以通过 editing this post 用事实和引文回答问题. 6 个月前关闭。 Improve
我想了解接收器如何在 Spark Streaming 中工作。根据我的理解,将有一个接收器任务在执行器中运行,用于收集数据并保存为 RDD。当调用 start() 时,接收器开始读取。需要澄清以下内容
有没有办法在不同线程中使用相同的 spark 上下文并行运行多个 spark 作业? 我尝试使用 Vertx 3,但看起来每个作业都在排队并按顺序启动。 如何让它在相同的 spark 上下文中同时运行
我们有一个 Spark 流应用程序,这是一项长期运行的任务。事件日志指向 hdfs 位置 hdfs://spark-history,当我们开始流式传输应用程序时正在其中创建 application_X
我们正在尝试找到一种加载 Spark (2.x) ML 训练模型的方法,以便根据请求(通过 REST 接口(interface))我们可以查询它并获得预测,例如http://predictor.com
Spark newb 问题:我在 spark-sql 中进行完全相同的 Spark SQL 查询并在 spark-shell . spark-shell版本大约需要 10 秒,而 spark-sql版
我正在使用 Spark 流。根据 Spark 编程指南(参见 http://spark.apache.org/docs/latest/programming-guide.html#accumulato
我正在使用 CDH 5.2。我可以使用 spark-shell 运行命令。 如何运行包含spark命令的文件(file.spark)。 有没有办法在不使用 sbt 的情况下在 CDH 5.2 中运行/
我使用 Elasticsearch 已经有一段时间了,但使用 Cassandra 的经验很少。 现在,我有一个项目想要使用 Spark 来处理数据,但我需要决定是否应该使用 Cassandra 还是
我是一名优秀的程序员,十分优秀!