Spark Dataframe 到 Java 类的数据集

Question

我想将作为 Json 读入的数据帧转换为给定类的数据集。 到目前为止，当我能够编写自己的案例类时，效果很好。

case class MyCaseClass(...)
val df = spark.read.json("path/to/json")
val ds = df.as[MyCaseClass]

def myFunction(input: MyCaseClass): MyCaseClass = {
    // Do some validation and things
    input
}

ds.map(myFunction)

但是，现在我绑定到外部 Java 类（特别是由 thrift 创建的类）。 所以这里有一个带有自定义类的更具体的例子：

杰森：

{"a":1,"b":"1","wrapper":{"inside":"1.1", "map": {"k": "v"}}}
{"a":2,"b":"2","wrapper":{"inside":"2.1", "map": {"k": "v"}}}
{"a":3,"b":"3","wrapper":{"inside":"3.1", "map": {"k": "v"}}}

班级：

class MyInnerClass(var inside: String, var map: Map[String, String]) extends java.io.Serializable {
  def getInside(): String = {inside}
  def setInside(newInside: String) {inside = newInside}
  def getMap(): Map[String, String] = {map}
  def setMap(newMap: Map[String, String]) {map = newMap}
}

class MyClass(var a: Int, var b: String, var wrapper: MyInnerClass)  extends java.io.Serializable {
  def getA(): Int = {a}
  def setA(newA: Int) {a = newA}
  def getB(): String = {b}
  def setB(newB: String) {b = newB}
  def getWrapper(): MyInnerClass = {wrapper}
  def setWrapper(newWrapper: MyInnerClass) {wrapper = newWrapper}
}

所以我想做：

val json = spark.read.json("path/to/json")
json.as[MyClass]

但是，这会抛出：

Unable to find encoder for type stored in a Dataset.  Primitive type (Int, String, etc) and Product types (case classes) are supported by importing spark.implicits._  Support for serializing other types will be added in future releases.

所以，我发现了自定义编码器：（ 这里和这里）

import org.apache.spark.sql.Encoders
val kryoMyClassEncoder  = Encoders.kryo[MyClass]
json.as[MyClass](kryoMyClassEncoder)

哪个抛出：

Try to map struct<a:bigint,b:string,wrapper:struct<inside:string,map:struct<k:string>>> to Tuple1, but failed as the number of fields does not line up

那么如何将 Dataframe 转换为自定义对象 Dataset。

Answer 1

不要使用 kryo 编码器，而是尝试使用产品编码器，即：

val productMyClassEncoder  = Encoders.product[MyClass]

Answer 2

在方法中使用case 类声明时，我遇到了同样的问题（没有任何帮助）。 将类import spark.implicits._方法import spark.implicits._工作正常

Answer 3

在将数据读取为 json 时，我们需要在使用 kryo 序列化时将架构更改为二进制类型和列名称为“值”的单个字段

val json = spark.read.json("path/to/json").schema(newStructType().add("value",BinaryType))