行类型 Spark 数据集的编码器

java apache-spark apache-spark-sql apache-spark-dataset apache-spark-encoders

2022-09-01 09:40:07

我想为 DataSet 中的 Row 类型编写一个编码器，用于我正在执行的映射操作。从本质上讲，我不明白如何编写编码器。

下面是一个映射操作的示例：

In the example below, instead of returning Dataset<String>, I would like to return Dataset<Row>

Dataset<String> output = dataset1.flatMap(new FlatMapFunction<Row, String>() {
            @Override
            public Iterator<String> call(Row row) throws Exception {

                ArrayList<String> obj = //some map operation
                return obj.iterator();
            }
        },Encoders.STRING());

我知道需要按如下方式编写编码器而不是字符串：

    Encoder<Row> encoder = new Encoder<Row>() {
        @Override
        public StructType schema() {
            return join.schema();
            //return null;
        }

        @Override
        public ClassTag<Row> clsTag() {
            return null;
        }
    };

但是，我不理解编码器中的clsTag（），我试图找到一个可以演示类似内容的运行示例（即行类型的编码器）

编辑 - 这不是所提到的问题的副本：尝试将数据帧行映射到更新的行时出现编码器错误，因为答案谈到了在Spark 2.x中使用Spark 1.x（我没有这样做），我也在寻找Row类的编码器而不是解决错误。最后，我正在寻找Java的解决方案，而不是Scala。

答案 1

答案是使用 RowEncoder 和数据集的架构，并使用 StructType。

下面是使用数据集执行平面地图操作的工作示例：

    StructType structType = new StructType();
    structType = structType.add("id1", DataTypes.LongType, false);
    structType = structType.add("id2", DataTypes.LongType, false);

    ExpressionEncoder<Row> encoder = RowEncoder.apply(structType);

    Dataset<Row> output = join.flatMap(new FlatMapFunction<Row, Row>() {
        @Override
        public Iterator<Row> call(Row row) throws Exception {
            // a static map operation to demonstrate
            List<Object> data = new ArrayList<>();
            data.add(1l);
            data.add(2l);
            ArrayList<Row> list = new ArrayList<>();
            list.add(RowFactory.create(data.toArray()));
            return list.iterator();
        }
    }, encoder);

答案 2

我有同样的问题... 为我工作。Encoders.kryo(Row.class))

作为奖励，Apache Spark调优文档将Kryo称为Kryo，因为它在序列化时更快，“通常高达10倍”：

https://spark.apache.org/docs/latest/tuning.html