如何在Java的Apache Spark中将数据帧转换为数据集？

java apache-spark spark-dataframe apache-spark-dataset

2022-09-03 01:47:10

我可以非常轻松地在Scala中将DataFrame转换为数据集：

case class Person(name:String, age:Long)
val df = ctx.read.json("/tmp/persons.json")
val ds = df.as[Person]
ds.printSchema

但是在Java版本中，我不知道如何将数据帧转换为数据集？有什么想法吗？

我的努力是：

DataFrame df = ctx.read().json(logFile);
Encoder<Person> encoder = new Encoder<>();
Dataset<Person> ds = new Dataset<Person>(ctx,df.logicalPlan(),encoder);
ds.printSchema();

但是编译器说：

Error:(23, 27) java: org.apache.spark.sql.Encoder is abstract; cannot be instantiated

已编辑（解决方案）：

基于@Leet-Falcon答案的解决方案：

DataFrame df = ctx.read().json(logFile);
Encoder<Person> encoder = Encoders.bean(Person.class);
Dataset<Person> ds = new Dataset<Person>(ctx, df.logicalPlan(), encoder);

答案 1

Spark 官方文档在 Dataset API 中建议执行以下操作：

Java 编码器是通过在编码器上调用静态方法来指定的。

List<String> data = Arrays.asList("abc", "abc", "xyz");
Dataset<String> ds = context.createDataset(data, Encoders.STRING());

编码器可以组成元组：

Encoder<Tuple2<Integer, String>> encoder2 = Encoders.tuple(Encoders.INT(), Encoders.STRING());
List<Tuple2<Integer, String>> data2 = Arrays.asList(new scala.Tuple2(1, "a");
Dataset<Tuple2<Integer, String>> ds2 = context.createDataset(data2, encoder2);

或者由 Encoders#bean 从 Java Beans 构建：

Encoders.bean(MyClass.class);

答案 2

如果要在Java中将通用DF转换为数据集，则可以使用如下所示的RowEncoder类

DataFrame df = sql.read().json(sc.parallelize(ImmutableList.of(
            "{\"id\": 0, \"phoneNumber\": 109, \"zip\": \"94102\"}"
    )));

    Dataset<Row> dataset = df.as(RowEncoder$.MODULE$.apply(df.schema()));