Question

假设我有以下数据框：

var randomData = Seq(("a",8),("h",5),("f",3),("a",2),("b",8),("c",3)
val df = sc.parallelize(randomData,2).toDF()

我正在使用这个函数，它将是mapPartition：

的输入

def trialIterator(row:Iterator[(String,Int)]): Iterator[(String,Int)] =
    row.toArray.tail.toIterator

使用地图分区：

df.mapPartition(trialIterator)

我收到以下错误消息：

类型不匹配，预期（迭代器[行]）=＆gt; Iterator [NotInferedR]，actual：Iterator [（String，Int）=＆gt;迭代器[（字符串，整数）]

我可以理解这是由于我的函数的输入，输出类型但是如何解决这个问题而发生的？

Answer 1

如果您想获得强类型输入，请不要使用Dataset[Row]（DataFrame），而Dataset[T]此特定情况下的T为(String, Int)。如果不知道分区是否为空，也不要转换为Array并且不要盲目调用tail：

def trialIterator(iter: Iterator[(String, Int)]) = iter.drop(1)

randomData
  .toDS // org.apache.spark.sql.Dataset[(String, Int)]
  .mapPartitions(trialIterator _)

或

randomData.toDF // org.apache.spark.sql.Dataset[Row] 
  .as[(String, Int)] // org.apache.spark.sql.Dataset[(String, Int)]
  .mapPartitions(trialIterator _)

Answer 2

您期望Iterator[(String,Int)]

时期望Iterator[Row]类型

def trialIterator(row:Iterator[Row]): Iterator[(String,Int)] = {
    row.next()
    row //seems to do the same thing w/o all the conversions
}

Spark：使用带Scala的mapPartition

2 个答案: