Question

我试图测试我的程序的一部分，它执行数据帧的转换我想测试这些数据帧的几种不同变体，它们排除了从文件中读取特定DF的选项

所以我的问题是：

是否有关于如何使用Spark和数据帧执行单元测试的优秀教程，尤其是关于数据帧的创建？
如何在没有大量样板的情况下创建这些不同的几行数据帧，而无需从文件中读取这些数据帧？
是否有用于检查数据框内特定值的实用程序类？

我之前显然用Google搜索过，但找不到任何非常有用的东西。我找到的更有用的链接包括：

如果示例/教程在Scala中会很好，但我会采用您所拥有的任何语言

提前致谢

Answer 1

这个link显示了我们如何以编程方式创建具有模式的数据框。您可以将数据保存在单独的特征中，并将其与测试混合。例如，

// This example assumes CSV data. But same approach should work for other formats as well.

trait TestData {
  val data1 = List(
    "this,is,valid,data",
    "this,is,in-valid,data",
  )
  val data2 = ...  
}

然后使用ScalaTest，我们可以做这样的事情。

class MyDFTest extends FlatSpec with Matchers {

  "method" should "perform this" in new TestData {
     // You can access your test data here. Use it to create the DataFrame.
     // Your test here.
  }
}

要创建DataFrame，您可以使用以下几种实用方法。

  def schema(types: Array[String], cols: Array[String]) = {
    val datatypes = types.map {
      case "String" => StringType
      case "Long" => LongType
      case "Double" => DoubleType
      // Add more types here based on your data.
      case _ => StringType
    }
    StructType(cols.indices.map(x => StructField(cols(x), datatypes(x))).toArray)
  }

  def df(data: List[String], types: Array[String], cols: Array[String]) = {
    val rdd = sc.parallelize(data)
    val parser = new CSVParser(',')
    val split = rdd.map(line => parser.parseLine(line))
    val rdd = split.map(arr => Row(arr(0), arr(1), arr(2), arr(3)))
    sqlContext.createDataFrame(rdd, schema(types, cols))
  }

我不知道有任何用于检查DataFrame中特定值的实用程序类。但我认为使用DataFrame API编写一个应该很简单。

Answer 2

对于那些希望在Java中实现类似功能的人，可以使用start来使用此项目在单元测试中初始化SparkContext：https://github.com/holdenk/spark-testing-base

我个人不得不模仿一些AVRO文件的文件结构。所以我使用Avro-tools（https://avro.apache.org/docs/1.8.2/gettingstartedjava.html#download_install）使用以下命令从我的二进制记录中提取模式：

private DataFrame getDataFrameFromList() {
    SQLContext sqlContext = new SQLContext(jsc());
    ImmutableList<String> elements = ImmutableList.of(
        {"header":{"appId":"myAppId1","clientIp":"10.22.63.3","createdDate":"2017-05-10T02:09:59.984Z"}}
        {"header":{"appId":"myAppId1","clientIp":"11.22.63.3","createdDate":"2017-05-11T02:09:59.984Z"}}
        {"header":{"appId":"myAppId1","clientIp":"12.22.63.3","createdDate":"2017-05-11T02:09:59.984Z"}}
    );
    JavaRDD<String> parallelize = jsc().parallelize(elements);
    return sqlContext.read().json(parallelize);
}

然后，使用这个小帮助方法，您可以将输出JSON转换为DataFrame，以便在单元测试中使用。

{{1}}

Answer 3

您可以使用Spark用于其自身单元测试的SharedSQLContext和SharedSparkSession。查看我的answer示例。

使用Spark数据帧进行单元测试

3 个答案: