避免指定模式两次(Spark/scala)
Posted
技术标签:
【中文标题】避免指定模式两次(Spark/scala)【英文标题】:Avoid specifying schema twice (Spark/scala) 【发布时间】:2018-11-08 11:10:45 【问题描述】:我需要按特定顺序遍历数据框并应用一些复杂的逻辑来计算新列。
此外,我的强烈偏好是以通用方式执行此操作,因此我不必列出一行的所有列并执行df.as[my_record]
或case Row(...) =>
,如here 所示。相反,我想通过名称访问行列并将结果列添加到源行。
以下方法工作得很好,但我想避免两次指定架构:第一次是为了在迭代时按名称访问列,第二次是为了处理输出。
import org.apache.spark.sql.Row
import org.apache.spark.sql.types._
import org.apache.spark.sql.catalyst.encoders.RowEncoder
import org.apache.spark.sql.catalyst.expressions.GenericRowWithSchema
val q = """
select 2 part, 1 id
union all select 2 part, 4 id
union all select 2 part, 3 id
union all select 2 part, 2 id
"""
val df = spark.sql(q)
def f_row(iter: Iterator[Row]) : Iterator[Row] =
if (iter.hasNext)
def complex_logic(p: Int): Integer = if (p == 3) null else p * 10;
val head = iter.next
val schema = StructType(head.schema.fields :+ StructField("result", IntegerType))
val r =
new GenericRowWithSchema((head.toSeq :+ complex_logic(head.getAs("id"))).toArray, schema)
iter.scanLeft(r)((r1, r2) =>
new GenericRowWithSchema((r2.toSeq :+ complex_logic(r2.getAs("id"))).toArray, schema)
)
else iter
val schema = StructType(df.schema.fields :+ StructField("result", IntegerType))
val encoder = RowEncoder(schema)
df.repartition($"part").sortWithinPartitions($"id").mapPartitions(f_row)(encoder).show
应用mapPartitions
后丢失了哪些信息,因此在没有显式编码器的情况下无法处理输出?如何避免指定?
【问题讨论】:
你能使用 Dataset 并提供一个从 T => U 映射的函数吗? @TerryDactyl,你能详细说明一下吗?我使用df.repartition($"part").sortWithinPartitions($"id")
,即org.apache.spark.sql.Dataset[org.apache.spark.sql.Row]
,我为mapPartitions
提供f_row(iter: Iterator[Row]) : Iterator[Row]
。
A DataFrame 是一个 Dataset[Row],如下所述,Row 是无类型的。如果您要提供与地图函数 Iterator[T] => Iterator[U] 和 import spark.implicits._ 的输入和输出形状相对应的案例类 T 和 U,那么 Spark 可能能够提供一个 Encoder 并且您将有效地从 Dataset[T] => Dataset[U] 映射。这只是一个猜测,但可能值得一试。
见下文......
【参考方案1】:
应用 mapPartitions 后丢失了哪些信息,因此无法处理输出
信息几乎不会丢失 - 它从一开始就不存在 - Row
或 InternalRow
的子类基本上是无类型的可变形状容器,它们不提供任何有用的类型信息,可用于派生一个Encoder
。
GenericRowWithSchema
中的schema
无关紧要,因为它根据元数据而不是类型来描述内容。
如何避免指定?
对不起,你运气不好。如果你想在静态类型语言中使用动态类型构造(一袋Any
),你必须付出代价,这里提供了Encoder
。
【讨论】:
我不同意“它从一开始就不存在”。我可以在重新分区和订购df.repartition($"part").sortWithinPartitions($"id").show
后显示结果,但在mapPartitions
之后就不可能了。
而mapPartitions
中使用的函数是(func: (Iterator[T]) ⇒ Iterator[U])
。那么,如果函数在迭代后产生几乎相同的记录(准确地说是新列),为什么不能使用show
。【参考方案2】:
好的 - 我已经检查了我的一些 spark 代码,并且将 .mapPartitions 与 Dataset API 一起使用不需要我显式构建/传递编码器。
你需要这样的东西:
case class Before(part: Int, id: Int)
case class After(part: Int, id: Int, newCol: String)
import spark.implicits._
// Note column names/types must match case class constructor parameters.
val beforeDS = <however you obtain your input DF>.as[Before]
def f_row(it: Iterator[Before]): Iterator[After] = ???
beforeDS.reparition($"part").sortWithinPartitions($"id").mapPartitions(f_row).show
【讨论】:
正如我在原帖中提到的,“我强烈的偏好是以通用方式执行此操作,因此我不必列出一行的所有列并执行df.as[my_record]
或case Row(...) =>
”。如果将新列添加到数据框中,我想避免任何更改。见***.com/questions/53159461/…【参考方案3】:
我发现下面的解释足够了,也许对其他人有用。
mapPartitions
需要Encoder
,否则它无法从迭代器或Row
s 构造Dataset
。即使每一行都有一个模式,Dataset[U]
的构造函数也不能派生(使用)该 shema。
def mapPartitions[U : Encoder](func: Iterator[T] => Iterator[U]): Dataset[U] =
new Dataset[U](
sparkSession,
MapPartitions[T, U](func, logicalPlan),
implicitly[Encoder[U]])
另一方面,无需调用mapPartitions
,Spark 可以使用从初始查询派生的架构,因为原始列的结构(元数据)没有改变。
我在这个答案中描述了替代方案:https://***.com/a/53177628/7869491。
【讨论】:
以上是关于避免指定模式两次(Spark/scala)的主要内容,如果未能解决你的问题,请参考以下文章