Spark 2.0.0:如何使用自定义编码类型聚合 DataSet?

Posted

技术标签:

【中文标题】Spark 2.0.0:如何使用自定义编码类型聚合 DataSet?【英文标题】:Spark 2.0.0: How to aggregate DataSet with custom encoded types? 【发布时间】:2017-04-16 01:05:30 【问题描述】:

我有一些数据存储为 DataSet[(Long, LineString)] 使用元组编码器和用于 LineString 的 kryo 编码器

implicit def single[A](implicit c: ClassTag[A]): Encoder[A] = Encoders.kryo[A](c)
implicit def tuple2[A1, A2](implicit
                            e1: Encoder[A1],
                            e2: Encoder[A2]
                           ): Encoder[(A1,A2)] = Encoders.tuple[A1,A2](e1, e2)
implicit val lineStringEncoder = Encoders.kryo[LineString]

val ds = segmentPoints.map(
  sp => 
    val p1 = new Coordinate(sp.lon_ini, sp.lat_ini)
    val p2 = new Coordinate(sp.lon_fin, sp.lat_fin)
    val coords = Array(p1, p2)

    (sp.id, gf.createLineString(coords))
  )
  .toDF("id", "segment")
  .as[(Long, LineString)]
  .cache

ds.show

    +----+--------------------+
    | id |       segment      |
    +----+--------------------+
    | 347|[01 00 63 6F 6D 2...|
    | 347|[01 00 63 6F 6D 2...|
    | 347|[01 00 63 6F 6D 2...|
    | 808|[01 00 63 6F 6D 2...|
    | 808|[01 00 63 6F 6D 2...|
    | 808|[01 00 63 6F 6D 2...|
    +----+--------------------+

我可以对段列应用任何映射操作并使用底层 LineStrign 方法。

ds.map(_._2.getClass.getName).show(false)

+--------------------------------------+
|value                                 |
+--------------------------------------+
|com.vividsolutions.jts.geom.LineString|
|com.vividsolutions.jts.geom.LineString|
|com.vividsolutions.jts.geom.LineString|

我想创建一些 UDAF 来处理具有相同 id 的段,我尝试了以下两种不同的方法,但均未成功:

1) 使用聚合器:

val length = new Aggregator[LineString, Double, Double] with Serializable 
  def zero: Double = 0                     // The initial value.
  def reduce(b: Double, a: LineString) = b + a.getLength    // Add an element to the running total
  def merge(b1: Double, b2: Double) = b1 + b2 // Merge intermediate values.
  def finish(b: Double) = b
  // Following lines are missing on the API doc example but necessary to get
  // the code compile
  override def bufferEncoder: Encoder[Double] = Encoders.scalaDouble
  override def outputEncoder: Encoder[Double] = Encoders.scalaDouble
.toColumn

ds.groupBy("id")
  .agg(length(col("segment")).as("kms"))
  .show(false)

这里出现以下错误:

 Exception in thread "main" org.apache.spark.sql.AnalysisException: unresolved operator 'Aggregate [id#603L], [id#603L, anon$1(com.test.App$$anon$1@5bf1e07, None, input[0, double, true] AS value#715, cast(value#715 as double), input[0, double, true] AS value#714, DoubleType, DoubleType)['segment] AS kms#721];

2) 使用 UserDefinedAggregateFunction

class Length extends UserDefinedAggregateFunction 
  val e = Encoders.kryo[LineString]

  // This is the input fields for your aggregate function.
  override def inputSchema: StructType = StructType(
    StructField("segment", DataTypes.BinaryType) :: Nil
  )

  // This is the internal fields you keep for computing your aggregate.
  override def bufferSchema: StructType = StructType(
      StructField("length", DoubleType) :: Nil
  )

  // This is the output type of your aggregatation function.
  override def dataType: DataType = DoubleType

  override def deterministic: Boolean = true

  // This is the initial value for your buffer schema.
  override def initialize(buffer: MutableAggregationBuffer): Unit = 
    buffer(0) = 0.0
  

  // This is how to update your buffer schema given an input.
  override def update(buffer : MutableAggregationBuffer, input : Row) : Unit = 
    // val l0 = input.getAs[LineString](0) // Can't cast to LineString (I guess because it is searialized using given encoder)
    val b = input.getAs[Array[Byte]](0) // This works fine
    val lse = e.asInstanceOf[ExpressionEncoder[LineString]]
    val ls = lse.fromRow(???) // it expects InternalRow  but input is a Row instance
    // I also tried casting b.asInstance[InternalRow] without success.
    buffer(0) = buffer.getAs[Double](0) + ls.getLength
  

  // This is how to merge two objects with the bufferSchema type.
  override def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = 
    buffer1(0) = buffer1.getAs[Double](0) + buffer2.getAs[Double](0)
  

  // This is where you output the final value, given the final value of your bufferSchema.
  override def evaluate(buffer: Row): Any = 
    buffer.getDouble(0)
  


val length = new Length
rseg
  .groupBy("id")
  .agg(length(col("segment")).as("kms"))
  .show(false)

我做错了什么?我想将聚合 API 与自定义类型一起使用,而不是使用 rdd groupBy API。我搜索了 Spark 文档,但找不到这个问题的答案,目前似乎还处于早期阶段。

谢谢。

【问题讨论】:

【参考方案1】:

根据answer,没有简单的方法可以为嵌套类型传递自定义编码器,即在您的情况下,例如 (Long,LineString)。

一种选择可能是定义一个case class LineStringWithID,它将扩展LineStringid: Long 属性,并使用来自SQLImplicits 的编码器

附:你能把你的问题分解成更小的部分,每个部分一个主题吗?

【讨论】:

【参考方案2】:

也许有人也在寻找这个:当使用 kryo 编码器时,你不能使用无类型的、基于 SQL 的 API 来操作数据集。您只能使用类型化 API,就分组而言,这意味着您需要使用自定义 Aggregator,而不是自定义 UserDefinedAggregateFunction。我认为您的 Aggregator 实现没问题,但是您的分组应该更改为使用类型化的 groupByKey 和您的自定义聚合器实例,例如

ds.groupByKey(_._1)
  .agg(length)
  .show(false)

【讨论】:

以上是关于Spark 2.0.0:如何使用自定义编码类型聚合 DataSet?的主要内容,如果未能解决你的问题,请参考以下文章

如何在数据集中存储自定义对象?

极简spark教程spark聚合函数

如何在 Spark SQL 中定义和使用用户定义的聚合函数?

如何将数组传递给 Spark (UDAF) 中的用户定义聚合函数

Spark scala Dataframe:如何将自定义类型应用于现有数据框?

如何定义自定义聚合函数来对一列向量求和?