Apache Spark 2.1：java.lang.UnsupportedOperationException：找不到scala.collection.immutable.Set [String]的编码器

Question

我在Scala 2.11.6中使用Spark 2.1.1。 我收到以下错误。 我没有使用任何案例类。

java.lang.UnsupportedOperationException: No Encoder found for scala.collection.immutable.Set[String]
 field (class: "scala.collection.immutable.Set", name: "_2")
 field (class: "scala.Tuple2", name: "_2")
 root class: "scala.Tuple2"

以下代码部分是stacktrace指向的位置。

val tweetArrayRDD = nameDF.select("namedEnts", "text", "storylines")
    .flatMap {
    case Row(namedEnts: Traversable[(String, String)], text: String, storylines: Traversable[String]) =>
      Option(namedEnts) match {
        case Some(x: Traversable[(String, String)]) =>
          //println("In flatMap:" + x + " ~~&~~ " + text + " ~~&~~ " + storylines)
          namedEnts.map((_, (text, storylines.toSet)))
        case _ => //println("In flatMap: blahhhh")
          Traversable()
      }
    case _ => //println("In flatMap: fooooo")
      Traversable()
  }
  .rdd.aggregateByKey((Set[String](), Set[String]()))((a, b) => (a._1 + b._1, a._2 ++ b._2), (a, b) => (a._1 ++ b._1, a._2 ++ b._2))
  .map { (s: ((String, String), (Set[String], Set[String]))) => {
    //println("In map: " + s)
    (s._1, (s._2._1.toSeq, s._2._2.toSeq))
  }}

Answer 1

这里的问题是，星火没有为提供编码器Set外的开箱（它的“原型”提供编码器，Seqs，数组和其他支持的类型的产品）。

您可以尝试使用这个出色的答案为Set[String]创建自己的编码器（更准确地说，是针对您使用的类型的编码器， Traversable[((String, String), (String, Set[String]))] ，其中包含Set[String] ）， 或者您可以使用Seq代替Set来解决此问题：

// ...
case Some(x: Traversable[(String, String)]) =>
  //println("In flatMap:" + x + " ~~&~~ " + text + " ~~&~~ " + storylines)
  namedEnts.map((_, (text, storylines.toSeq.distinct)))
// ...

（我正在使用distinct模仿Set行为；也可以尝试.toSet.toSeq ）

更新 ：根据您的评论，请Dataset.flatMap Spark Dataset.flatMap区别在于1.6.2中， Dataset.flatMap返回RDD而不是Dataset ，因此不需要对您提供的函数返回的结果进行编码； 因此，这确实带来了另一个很好的解决方法-您可以通过在flatMap操作之前显式切换为使用RDD来轻松模拟此行为：

nameDF.select("namedEnts", "text", "storylines")
  .rdd
  .flatMap { /*...*/ } // use your function as-is, it can return Set[String]
  .aggregateByKey( /*...*/ )
  .map( /*...*/ )