• Использование универсальных кодеров.

  На данный момент доступны два общих кодера kryo и javaSerialization, где последний явно описывается как:

  крайне неэффективен и должен использоваться только в качестве последнего средства.

  Предполагая следующий класс

  class Bar(i: Int) {
    override def toString = s"bar $i"
    def bar = i
  }
  

  вы можете использовать эти кодеры, добавив неявный кодировщик:

  object BarEncoders {
    implicit def barEncoder: org.apache.spark.sql.Encoder[Bar] = 
    org.apache.spark.sql.Encoders.kryo[Bar]
  }
  

  которые могут использоваться вместе следующим образом:

  object Main {
    def main(args: Array[String]) {
      val sc = new SparkContext("local",  "test", new SparkConf())
      val sqlContext = new SQLContext(sc)
      import sqlContext.implicits._
      import BarEncoders._
  
      val ds = Seq(new Bar(1)).toDS
      ds.show
  
      sc.stop()
    }
  }
  

  Он хранит объекты как столбец binary, поэтому при преобразовании в DataFrame вы получаете следующую схему:

  root
   |-- value: binary (nullable = true)
  

  Также возможно кодировать кортежи с помощью kryo encoder для определенного поля:

  val longBarEncoder = Encoders.tuple(Encoders.scalaLong, Encoders.kryo[Bar])
  
  spark.createDataset(Seq((1L, new Bar(1))))(longBarEncoder)
  // org.apache.spark.sql.Dataset[(Long, Bar)] = [_1: bigint, _2: binary]
  

  Обратите внимание, что мы не зависим от неявных кодеров здесь, но передаем кодировщик явно, поэтому это, скорее всего, не будет работать с методом toDS.

• Использование неявных преобразований:

  Обеспечьте неявные преобразования между представлением, которое может быть закодировано и пользовательским классом, например:

  object BarConversions {
    implicit def toInt(bar: Bar): Int = bar.bar
    implicit def toBar(i: Int): Bar = new Bar(i)
  }
  
  object Main {
    def main(args: Array[String]) {
      val sc = new SparkContext("local",  "test", new SparkConf())
      val sqlContext = new SQLContext(sc)
      import sqlContext.implicits._
      import BarConversions._
  
      type EncodedBar = Int
  
      val bars: RDD[EncodedBar]  = sc.parallelize(Seq(new Bar(1)))
      val barsDS = bars.toDS
  
      barsDS.show
      barsDS.map(_.bar).show
  
      sc.stop()
    }
  }
  

Похожие вопросы:

• Как создать кодер для конструктора типа Option, например. Опция [Int]?

Кодеры работают более или менее одинаково в Spark2.0. И Kryo по-прежнему является рекомендуемым выбором serialization.

Вы можете посмотреть следующий пример с искровой оболочкой

scala> import spark.implicits._
import spark.implicits._

scala> import org.apache.spark.sql.Encoders
import org.apache.spark.sql.Encoders

scala> case class NormalPerson(name: String, age: Int) {
 |   def aboutMe = s"I am ${name}. I am ${age} years old."
 | }
defined class NormalPerson

scala> case class ReversePerson(name: Int, age: String) {
 |   def aboutMe = s"I am ${name}. I am ${age} years old."
 | }
defined class ReversePerson

scala> val normalPersons = Seq(
 |   NormalPerson("Superman", 25),
 |   NormalPerson("Spiderman", 17),
 |   NormalPerson("Ironman", 29)
 | )
normalPersons: Seq[NormalPerson] = List(NormalPerson(Superman,25), NormalPerson(Spiderman,17), NormalPerson(Ironman,29))

scala> val ds1 = sc.parallelize(normalPersons).toDS
ds1: org.apache.spark.sql.Dataset[NormalPerson] = [name: string, age: int]

scala> val ds2 = ds1.map(np => ReversePerson(np.age, np.name))
ds2: org.apache.spark.sql.Dataset[ReversePerson] = [name: int, age: string]

scala> ds1.show()
+---------+---+
|     name|age|
+---------+---+
| Superman| 25|
|Spiderman| 17|
|  Ironman| 29|
+---------+---+

scala> ds2.show()
+----+---------+
|name|      age|
+----+---------+
|  25| Superman|
|  17|Spiderman|
|  29|  Ironman|
+----+---------+

scala> ds1.foreach(p => println(p.aboutMe))
I am Ironman. I am 29 years old.
I am Superman. I am 25 years old.
I am Spiderman. I am 17 years old.

scala> val ds2 = ds1.map(np => ReversePerson(np.age, np.name))
ds2: org.apache.spark.sql.Dataset[ReversePerson] = [name: int, age: string]

scala> ds2.foreach(p => println(p.aboutMe))
I am 17. I am Spiderman years old.
I am 25. I am Superman years old.
I am 29. I am Ironman years old.

До сих пор в текущей области не было appropriate encoders, поэтому наши лица не были закодированы как binary. Но это изменится, если мы предоставим некоторые кодеры implicit, используя сериализацию Kryo.

// Provide Encoders

scala> implicit val normalPersonKryoEncoder = Encoders.kryo[NormalPerson]
normalPersonKryoEncoder: org.apache.spark.sql.Encoder[NormalPerson] = class[value[0]: binary]

scala> implicit val reversePersonKryoEncoder = Encoders.kryo[ReversePerson]
reversePersonKryoEncoder: org.apache.spark.sql.Encoder[ReversePerson] = class[value[0]: binary]

// Ecoders will be used since they are now present in Scope

scala> val ds3 = sc.parallelize(normalPersons).toDS
ds3: org.apache.spark.sql.Dataset[NormalPerson] = [value: binary]

scala> val ds4 = ds3.map(np => ReversePerson(np.age, np.name))
ds4: org.apache.spark.sql.Dataset[ReversePerson] = [value: binary]

// now all our persons show up as binary values
scala> ds3.show()
+--------------------+
|               value|
+--------------------+
|[01 00 24 6C 69 6...|
|[01 00 24 6C 69 6...|
|[01 00 24 6C 69 6...|
+--------------------+

scala> ds4.show()
+--------------------+
|               value|
+--------------------+
|[01 00 24 6C 69 6...|
|[01 00 24 6C 69 6...|
|[01 00 24 6C 69 6...|
+--------------------+

// Our instances still work as expected    

scala> ds3.foreach(p => println(p.aboutMe))
I am Ironman. I am 29 years old.
I am Spiderman. I am 17 years old.
I am Superman. I am 25 years old.

scala> ds4.foreach(p => println(p.aboutMe))
I am 25. I am Superman years old.
I am 29. I am Ironman years old.
I am 17. I am Spiderman years old.

Вы можете использовать UDTRegistration, а затем Case Classes, Tuples и т.д.... все правильно работает с вашим Пользовательским типом!

Предположим, вы хотите использовать пользовательское Enum:

trait CustomEnum { def value:String }
case object Foo extends CustomEnum  { val value = "F" }
case object Bar extends CustomEnum  { val value = "B" }
object CustomEnum {
  def fromString(str:String) = Seq(Foo, Bar).find(_.value == str).get
}

Зарегистрируйте его так:

// First define a UDT class for it:
class CustomEnumUDT extends UserDefinedType[CustomEnum] {
  override def sqlType: DataType = org.apache.spark.sql.types.StringType
  override def serialize(obj: CustomEnum): Any = org.apache.spark.unsafe.types.UTF8String.fromString(obj.value)
  // Note that this will be a UTF8String type
  override def deserialize(datum: Any): CustomEnum = CustomEnum.fromString(datum.toString)
  override def userClass: Class[CustomEnum] = classOf[CustomEnum]
}

// Then Register the UDT Class!
// NOTE: you have to put this file into the org.apache.spark package!
UDTRegistration.register(classOf[CustomEnum].getName, classOf[CustomEnumUDT].getName)

Тогда ИСПОЛЬЗУЙТЕ ЭТО!

case class UsingCustomEnum(id:Int, en:CustomEnum)

val seq = Seq(
  UsingCustomEnum(1, Foo),
  UsingCustomEnum(2, Bar),
  UsingCustomEnum(3, Foo)
).toDS()
seq.filter(_.en == Foo).show()
println(seq.collect())

Предположим, вы хотите использовать Полиморфную запись:

trait CustomPoly
case class FooPoly(id:Int) extends CustomPoly
case class BarPoly(value:String, secondValue:Long) extends CustomPoly

... и использовать его так:

case class UsingPoly(id:Int, poly:CustomPoly)

Seq(
  UsingPoly(1, new FooPoly(1)),
  UsingPoly(2, new BarPoly("Blah", 123)),
  UsingPoly(3, new FooPoly(1))
).toDS

polySeq.filter(_.poly match {
  case FooPoly(value) => value == 1
  case _ => false
}).show()

Вы можете написать собственный UDT, который кодирует все в байты (я использую сериализацию Java здесь, но, вероятно, лучше использовать контекст Spark Kryo).

Сначала определите класс UDT:

class CustomPolyUDT extends UserDefinedType[CustomPoly] {
  val kryo = new Kryo()

  override def sqlType: DataType = org.apache.spark.sql.types.BinaryType
  override def serialize(obj: CustomPoly): Any = {
    val bos = new ByteArrayOutputStream()
    val oos = new ObjectOutputStream(bos)
    oos.writeObject(obj)

    bos.toByteArray
  }
  override def deserialize(datum: Any): CustomPoly = {
    val bis = new ByteArrayInputStream(datum.asInstanceOf[Array[Byte]])
    val ois = new ObjectInputStream(bis)
    val obj = ois.readObject()
    obj.asInstanceOf[CustomPoly]
  }

  override def userClass: Class[CustomPoly] = classOf[CustomPoly]
}

Затем зарегистрируйте его:

// NOTE: The file you do this in has to be inside of the org.apache.spark package!
UDTRegistration.register(classOf[CustomPoly].getName, classOf[CustomPolyUDT].getName)

Тогда вы можете использовать его!

// As shown above:
case class UsingPoly(id:Int, poly:CustomPoly)

Seq(
  UsingPoly(1, new FooPoly(1)),
  UsingPoly(2, new BarPoly("Blah", 123)),
  UsingPoly(3, new FooPoly(1))
).toDS

polySeq.filter(_.poly match {
  case FooPoly(value) => value == 1
  case _ => false
}).show()

В случае класса Java Bean это может быть полезно

import spark.sqlContext.implicits._
import org.apache.spark.sql.Encoders
implicit val encoder = Encoders.bean[MyClasss](classOf[MyClass])

Теперь вы можете просто прочитать dataFrame как пользовательский DataFrame

dataFrame.as[MyClass]

Это создаст собственный кодировщик классов, а не двоичный.

Для тех, кто может в моей ситуации, я тоже здесь отвечу.

Чтобы быть конкретным,

1. Я читал "Set typed data" из SQLContext. Таким образом, исходный формат данных - DataFrame.

   val sample = spark.sqlContext.sql("select 1 as a, collect_set(1) as b limit 1") sample.show()

   +---+---+ | a| b| +---+---+ | 1|[1]| +---+---+

2. Затем преобразуйте его в RDD, используя rdd.map() с mutable.WrappedArray.

   sample.rdd.map(r => (r.getInt(0), r.getAs[mutable.WrappedArray[Int]](1).toSet)).collect().foreach(println)

   Результат:

   (1,Set(1))

Мои примеры будут на Java, но я не думаю, что это трудно адаптироваться к Scala.

Мне удалось успешно преобразовать RDD<Fruit> в Dataset<Fruit> с помощью spark.createDataset и Encoders.bean, пока Fruit является простым Java Bean.

Шаг 1. Создайте простой Java Bean.

public class Fruit implements Serializable {
    private String name  = "default-fruit";
    private String color = "default-color";

    // AllArgsConstructor
    public Fruit(String name, String color) {
        this.name  = name;
        this.color = color;
    }

    // NoArgsConstructor
    public Fruit() {
        this("default-fruit", "default-color");
    }

    // ...create getters and setters for above fields
    // you figure it out
}

Я бы придерживался классов с примитивными типами и String как поля перед тем, как люди DataBricks повышают свои кодеры. Если у вас есть класс с вложенным объектом, создайте еще один простой Java Bean, при этом все его поля будут сплющены, поэтому вы можете использовать преобразования RDD для сопоставления сложного типа с более простым. Уверен, это небольшая дополнительная работа, но я думаю, что это очень поможет в производительности, работающей с плоской схемой.

Шаг 2: Получите ваш набор данных из RDD

SparkSession spark = SparkSession.builder().getOrCreate();
JavaSparkContext jsc = new JavaSparkContext();

List<Fruit> fruitList = ImmutableList.of(
    new Fruit("apple", "red"),
    new Fruit("orange", "orange"),
    new Fruit("grape", "purple"));
JavaRDD<Fruit> fruitJavaRDD = jsc.parallelize(fruitList);


RDD<Fruit> fruitRDD = fruitJavaRDD.rdd();
Encoder<Fruit> fruitBean = Encoders.bean(Fruit.class);
Dataset<Fruit> fruitDataset = spark.createDataset(rdd, bean);

И вуаля! Намочите, промойте, повторите.

В дополнение к уже представленным предложениям, еще один вариант, который я недавно обнаружил, заключается в том, что вы можете объявить свой собственный класс, включая черту org.apache.spark.sql.catalyst.DefinedByConstructorParams.

Это работает, если класс имеет конструктор, который использует типы, которые может понимать ExpressionEncoder, то есть примитивные значения и стандартные коллекции. Это может пригодиться, когда вы не можете объявить класс как класс case, но не хотите использовать Kryo для его кодирования каждый раз, когда он входит в набор данных.

Например, я хотел объявить класс case, который включал вектор Бриза. Единственный кодировщик, который мог бы обрабатывать это, как правило, Kryo. Но если я объявляю подкласс, который расширил Breeze DenseVector и DefinedByConstructorParams, ExpressionEncoder понял, что он может быть сериализован как массив из Doubles.

Вот как я это заявил:

class SerializableDenseVector(values: Array[Double]) extends breeze.linalg.DenseVector[Double](values) with DefinedByConstructorParams
implicit def BreezeVectorToSerializable(bv: breeze.linalg.DenseVector[Double]): SerializableDenseVector = bv.asInstanceOf[SerializableDenseVector]

Теперь я могу использовать SerializableDenseVector в наборе данных (напрямую или как часть Продукта), используя простой ExpressionEncoder и no Kryo. Он работает так же, как Breeze DenseVector, но сериализуется как массив [Double].