SparkSQL 和 UDT

Posted 2023-04-15

【中文标题】SparkSQL 和 UDT

【英文标题】：SparkSQL and UDT

【发布时间】：2015-03-16 16:56:50

【问题描述】：

我尝试使用 SparkSQL (v.1.3.0) 访问 PostgreSQL 数据库。在这个数据库中我有一个表

CREATE TABLE test (
 id bigint,
 values double precision[]
);

为了访问表格，我使用

val sparkConf = new SparkConf().setAppName("TestRead").setMaster("local[2]")
val sc = new SparkContext(sparkConf)
val sqlContext = new SQLContext(sc)

val jdbcDF = sqlContext.load("jdbc", Map(
  "url" -> "jdbc:postgresql://...",
  "dbtable" -> "schema.test",
  "user" -> "...",
  "password" -> "..."))

sqlContext.sql("SELECT * FROM schema.test")

但是，每次我尝试访问包含此数组的表时，我都会得到一个 java.sql.SQLException: Unsupported type 2003。

我在 Spark 测试代码中找到了一个示例，该示例在 Spark 中为二维点创建 UDT（请参阅 ExamplePointUDT.scala）。但是，我不明白我怎么可能使用这个代码。

【问题讨论】：

今天在研究 SparkSQL UDT 时，我发现它还不是一个稳定的公共 API，每个 mailing list 和 source annotation/comments。

即使在使用 spark 通过 jbdc 访问 hive2 服务器时，我也会收到此错误，例如 hive.load("jdbc", Map("url" -> "jdbc:hive2://ip:port /;auth=noSasl", "driver" -> "org.apache.hive.jdbc.HiveDriver", "dbtable" -> "default.weeks", "user" -> "user", "password" -> " " ))

【参考方案1】：

至少在 pyspark 中可以通过在查询中进行强制转换来实现这一点。 不要让不受支持的类型达到火花，将它们投射到您的数据库，然后在获得表格后将它们投射回来。

我不确定语法是否正确，但它会是这样的：

val query_table = "(SELECT id, CAST(values AS TEXT) FROM schema.test) AS casted_table"

val jdbcDF = sqlContext.load("jdbc", Map(
  "url" -> "jdbc:postgresql://...",
  "dbtable" -> query_table,
  "user" -> "...",
  "password" -> "..."))

jdbcDF.map(x => (x.id, x.values.toArray))

我很确定没有.toArray 会将字符串表示形式转换回数组，它只是占位符代码。但现在只是正确解析它的问题。

当然，这只是一个补丁，但它可以工作。