Question

我正在尝试将UDF用于输入类型Array of struct。我有以下数据结构，这只是更大结构的相关部分

|--investments: array (nullable = true)
    |    |-- element: struct (containsNull = true)
    |    |    |-- funding_round: struct (nullable = true)
    |    |    |    |-- company: struct (nullable = true)
    |    |    |    |    |-- name: string (nullable = true)
    |    |    |    |    |-- permalink: string (nullable = true)
    |    |    |    |-- funded_day: long (nullable = true)
    |    |    |    |-- funded_month: long (nullable = true)
    |    |    |    |-- funded_year: long (nullable = true)
    |    |    |    |-- raised_amount: long (nullable = true)
    |    |    |    |-- raised_currency_code: string (nullable = true)
    |    |    |    |-- round_code: string (nullable = true)
    |    |    |    |-- source_description: string (nullable = true)
    |    |    |    |-- source_url: string (nullable = true)

我宣布了案例类：

case class Company(name: String, permalink: String)
case class FundingRound(company: Company, funded_day: Long, funded_month: Long, funded_year: Long, raised_amount: Long, raised_currency_code: String, round_code: String, source_description: String, source_url: String)
case class Investments(funding_round: FundingRound)

UDF声明：

sqlContext.udf.register("total_funding", (investments:Seq[Investments])  => {
     val totals = investments.map(r => r.funding_round.raised_amount)
     totals.sum
})

当我执行以下转换时，结果符合预期

scala> sqlContext.sql("""select total_funding(investments) from companies""")
res11: org.apache.spark.sql.DataFrame = [_c0: bigint]

但是当像collect一样执行的动作时我有一个错误：

Executor: Exception in task 0.0 in stage 4.0 (TID 10)
java.lang.ClassCastException: org.apache.spark.sql.catalyst.expressions.GenericRowWithSchema cannot be cast to $line33.$read$$iwC$$iwC$Investments

感谢您的帮助。

Answer 1

您看到的错误应该是不言自明的。 Catalyst / SQL类型和Scala类型之间存在严格的映射，可以在the relevant section的the Spark SQL, DataFrames and Datasets Guide中找到。

特别是struct类型转换为o.a.s.sql.Row（在您的特定情况下，数据将显示为Seq[Row]）。

有多种方法可用于将数据公开为特定类型：

Defining UDT（用户定义的类型）has been removed in 2.0.0且没有替代for now。
将DataFrame转换为Dataset[T]，其中T是所需的本地类型。

只有前一种方法才适用于这种特殊情况。

如果您想使用UDF访问investments.funding_round.raised_amount，您需要这样的内容：

val getRaisedAmount = udf((investments: Seq[Row]) => scala.util.Try(
  investments.map(_.getAs[Row]("funding_round").getAs[Long]("raised_amount"))
).toOption)

但简单的select应该更加安全和清洁：

df.select($"investments.funding_round.raised_amount")

Answer 2

我创建了一个简单的库，它根据输入类型参数为复杂的Product类型派生必要的编码器。

https://github.com/lesbroot/typedudf

import typedudf.TypedUdf
import typedudf.ParamEncoder._

case class Foo(x: Int, y: String)
val fooUdf = TypedUdf((foo: Foo) => foo.x + foo.y.length)
df.withColumn("sum", fooUdf($"foo"))

具有复杂输入参数的Spark SQL UDF

2 个答案: