Question

正如问题所述，我想使用由orElse组成的部分函数作为spark中的udf。这是一个可以在spark shell中运行的例子：

val df = sc.parallelize(1 to 15).toDF("num")
df.show

//Testing out a normal udf - this works
val gt5: (Int => String) = num => (num > 5).toString
val gt5Udf = udf(gt5)
df.withColumn("gt5", gt5Udf(col("num"))).show

//Now create a udf of a partial function composed with orElse
val baseline: PartialFunction[Int, String] = { case _ => "baseline" }
val ge3: PartialFunction[Int, String] = { case x if x >= 3 => ">=3" }
val ge7: PartialFunction[Int, String] = { case x if x >= 7 => ">=7" }
val ge12: PartialFunction[Int, String] = { case x if x >= 12 => ">=12" }

val composed: PartialFunction[Int, String] = ge12 orElse ge7 orElse ge3 orElse baseline
val composedUdf = udf(composed)

//This fails (but this is what I'd like to do)
df.withColumn("pf", composedUdf(col("num"))).show

//Use a partial function not composed with orElse - this works
val baselineUdf = udf(baseline)
df.withColumn("pf", baselineUdf(col("num"))).show

我目前在具有以下配置的三节点独立群集上运行此功能：

spark：1.6.0
hdfs：2.4.1
scala：2.10.5

我在这个答案中找到了我认为的线索：Why Scala can serialize Function but not PartialFunction?

所以我试过了：

scala> composed.isInstanceOf[Serializable]
res: Boolean = false

scala> composedUdf.isInstanceOf[Serializable]
res: Boolean = true

scala> baseline.isInstanceOf[Serializable]
res: Boolean = true

scala> baselineUdf.isInstanceOf[Serializable]
res: Boolean = true

我在这里变得模糊，但似乎用orElse组成部分函数会删除序列化？

我认为最具信息性的错误是：

org.apache.spark.SparkException: Task not serializable
...
Caused by: java.io.NotSerializableException: scala.PartialFunction$OrElse
...

我该如何解决？还是我离开基地？

提前感谢您的帮助！

Answer 1

如果将其抬起并将其包裹在另一个功能中，它应该可以工作。

val composed: Int => Option[String] = 
  x => (ge12 orElse ge7 orElse ge3 orElse baseline).lift.apply(x)

Answer 2

虽然这并没有直接解决您的问题，但我想建议并使用SQL函数替代解决方案。

首先，您必须导入所需的功能：

import org.apache.spark.sql.functions.{when, lit}

和一些implicits为了简洁起见：

import sqlContext.implicits._

接下来，您可以表达与代码中相同的条件：

val baseline = lit("baseline")
val ge3 = when($"num" >= 3,  ">=3")
val ge7 = when($"num" >= 7, ">=7")
val ge12 = when($"num" >= 12, ">=12")

val composed = ge12 otherwise (ge7 otherwise (ge3 otherwise baseline))

在这种形式下，它稍微不那么优雅，但您可以毫不费力地使用标准集合API（foldLeft / foldRight）和unlike UDFs来构建这样的表达式，结果可以是由Catalyst Optimizer优化。

如何使用orElse组成的部分函数作为spark中的udf

2 个答案: