Question

我是Scala和Spark的新手，所以希望有人能告诉我这里我出错的地方。

我有一个三栏数据集（id，name，year），我想找到每个名字的最近一年。换句话说：

BEFORE                                          AFTER
| id_1 | name_1 | 2015 |                        | id_2 | name_1 | 2016 |
| id_2 | name_1 | 2016 |                        | id_4 | name_2 | 2015 |
| id_3 | name_1 | 2014 | 
| id_4 | name_2 | 2015 |
| id_5 | name_2 | 2014 |

我认为groupByKey和reduceGroups可以完成工作：

val latestYears = ds
  .groupByKey(_.name)
  .reduceGroups((left, right) => if (left.year > right.year) left else right)
  .map(group => group._2)

但是它给出了这个错误，并且吐出了很多生成的Java代码：

ERROR CodeGenerator: failed to compile: 
org.codehaus.commons.compiler.CompileException: 
File 'generated.java', Line 21, Column 101: Unknown variable or type "value4"

有趣的是，如果我创建一个只包含名称和年份列的数据集，它将按预期工作。

这是我正在运行的完整代码：

object App {

  case class Record(id: String, name: String, year: Int)

  def main(args: Array[String]) {
    val spark = SparkSession.builder().master("local").appName("test").getOrCreate()
    import spark.implicits._

    val ds = spark.createDataset[String](Seq(
        "id_1,name_1,2015",
        "id_2,name_1,2016",
        "id_3,name_1,2014",
        "id_4,name_2,2015",
        "id_5,name_2,2014"
      ))
      .map(line => {
        val fields = line.split(",")
        new Record(fields(0), fields(1), fields(2).toInt)
      })

    val latestYears = ds
      .groupByKey(_.name)
      .reduceGroups((left, right) => if (left.year > right.year) left else right)
      .map(group => group._2)

    latestYears.show()
  }


}

编辑：我认为这可能是Spark v2.0.1的一个错误。降级到v2.0.0后，不再发生这种情况。

Answer 1

您的groupBy和reduceGroups函数为experimental。为什么不使用reduceByKey（api）？

优点：

从您拥有的代码中翻译应该很容易。
更稳定（非实验性）。
它应该更有效率，因为它不需要对每个组中的所有项目进行完全的随机播放（这也可能会导致网络I / O减速并溢出节点中的内存）。

Spark“CodeGenerator：无法编译”与Dataset.groupByKey

1 个答案: