Question

我一直在尝试定义一个在Spark的DataFrame中运行的函数，它将scala集作为输入并输出一个整数。我收到以下错误：

org.apache.spark.SparkException: Job aborted due to stage failure: Task 20 in stage 25.0 failed 1 times, most recent failure: Lost task 20.0 in stage 25.0 (TID 473, localhost): java.lang.ClassCastException: scala.collection.mutable.WrappedArray$ofRef cannot be cast to scala.collection.immutable.Set

这是一个简单的代码，它给出了问题的关键：

// generate sample data
case class Dummy( x:Array[Integer] )
val df = sqlContext.createDataFrame(Seq(
  Dummy(Array(1,2,3)),
  Dummy(Array(10,20,30,40))
))

// define the UDF
import org.apache.spark.sql.functions._
def setSize(A:Set[Integer]):Integer = {
  A.size
}
// For some reason I couldn't get it to work without this valued function
val sizeWrap: (Set[Integer] => Integer) = setSize(_)
val sizeUDF = udf(sizeWrap)

// this produces the error
df.withColumn("colSize", sizeUDF('x)).show

我在这里缺少什么？我怎样才能让它发挥作用？我知道我可以通过转换为RDD来做到这一点，但我不想在RDD和DataFrame之间来回切换。

Answer 1

使用Seq：

val sizeUDF = udf((x: Seq) =>  setSize(x.toSet))

Spark sqlContext UDF作用于集合

1 个答案: