Spark Dataframe 到 Java 類的數據集

Question

我想將作為 Json 讀入的數據幀轉換為給定類的數據集。 到目前為止，當我能夠編寫自己的案例類時，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，現在我綁定到外部 Java 類（特別是由 thrift 創建的類）。 所以這里有一個帶有自定義類的更具體的例子：

傑森：

{"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"}}}

班級：

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，這會拋出：

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，我發現了自定義編碼器：（ 這里和這里）

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

哪個拋出：

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

那么如何將 Dataframe 轉換為自定義對象 Dataset。

Answer 1

不要使用 kryo 編碼器，而是嘗試使用產品編碼器，即：

val productMyClassEncoder  = Encoders.product[MyClass]

Answer 2

在方法中使用case 類聲明時，我遇到了同樣的問題（沒有任何幫助）。 將類import spark.implicits._方法import spark.implicits._工作正常

Answer 3

在將數據讀取為 json 時，我們需要在使用 kryo 序列化時將架構更改為二進制類型和列名稱為“值”的單個字段

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