Question

我在spark中加入两个数据集有点问题，我有这个：

SparkConf conf = new SparkConf()
    .setAppName("MyFunnyApp")
    .setMaster("local[*]");

SparkSession spark = SparkSession
    .builder()
    .config(conf)
    .config("spark.debug.maxToStringFields", 150)
    .getOrCreate();
//...
//Do stuff
//...
Encoder<MyOwnObject1> encoderObject1 = Encoders.bean(MyOwnObject1.class);
Encoder<MyOwnObject2> encoderObject2 = Encoders.bean(MyOwnObject2.class);

Dataset<MyOwnObject1> object1DS = spark.read()
    .option("header","true")
    .option("delimiter",";")
    .option("inferSchema","true")
    .csv(pathToFile1)
    .as(encoderObject1);

Dataset<MyOwnObject2> object2DS = spark.read()
    .option("header","true")
    .option("delimiter",";")
    .option("inferSchema","true")
    .csv(pathToFile2)
    .as(encoderObject2);

我可以打印架构并正确显示它。

//Here start the problem
Dataset<Tuple2<MyOwnObject1, MyOwnObject2>> joinObjectDS = 
    object1DS.join(object2DS, object1DS.col("column01")
    .equalTo(object2DS.col("column01")))
    .as(Encoders.tuple(MyOwnObject1,MyOwnObject2));

最后一行无法加入并收到此错误：

Exception in thread "main" org.apache.spark.sql.AnalysisException: Try to map struct<"LIST WITH ALL VARS FROM TWO OBJECT"> to Tuple2, but failed as the number of fields does not line up.;

这是真的，因为Tuple2（object2）没有所有变量......

然后我试过这个：

 Dataset<Tuple2<MyOwnObject1, MyOwnObject2>> joinObjectDS = object1DS
    .joinWith(object2DS, object1DS
        .col("column01")
        .equalTo(object2DS.col("column01")));

工作正常！但是，我需要一个没有元组的新数据集，我有一个object3，它有一些来自object1和object2的变量，然后我有这个问题：

Encoder<MyOwnObject3> encoderObject3 = Encoders.bean(MyOwnObject3.class);
Dataset<MyOwnObject3> object3DS = joinObjectDS.map(tupleObject1Object2 -> {
    MyOwnObject1 myOwnObject1 = tupleObject1Object2._1();
    MyOwnObject2 myOwnObject2 = tupleObject1Object2._2();
    MyOwnObject3 myOwnObject3 = new MyOwnObject3(); //Sets all vars with start values
    //...
    //Sets data from object 1 and 2 to 3.
    //...
    return myOwnObject3;
}, encoderObject3);

失败！......这是错误：

17/05/10 12:17:43 ERROR CodeGenerator: failed to compile: org.codehaus.commons.compiler.CompileException: File 'generated.java', Line 593, Column 72: A method named "toString" is not declared in any enclosing class nor any supertype, nor through a static import

以及数以千计的错误行......

我该怎么办？我试过了：

仅使用String，int（或Integer）和double（或Double）（不再更新）使我的对象
使用不同的编码器，如kryo或javaSerialization
使用JavaRDD（工作！但非常慢）并使用带有行的Dataframes（有效，但我需要更改许多对象）
我的所有java对象都是可序列化的
使用sparks 2.1.0和2.1.1，现在我的pom.xml上有2.1.1

我想使用数据集，使用来自Dataframes的速度和来自JavaRDD的对象sintax ......

帮助？

由于

Answer 1

最后我找到了解决方案，

当我的代码创建数据集时，我遇到了使用inferSchema选项的问题。我有一个String列，选项inferSchema返回一个Integer列，因为所有值都是“numeric”，但我需要将它们用作String（如“0001”，“0002”......）我需要做一个架构，但是我有很多变量，然后我用我所有的类写这个：

List<StructField> fieldsObject1 = new ArrayList<>();
for (Field field : MyOwnObject1.class.getDeclaredFields()) {
    fieldsObject1.add(DataTypes.createStructField(
        field.getName(),
        CatalystSqlParser.parseDataType(field.getType().getSimpleName()),
        true)
    );
}
StructType schemaObject1 = DataTypes.createStructType(fieldsObject1);

Dataset<MyOwnObject1> object1DS = spark.read()
    .option("header","true")
    .option("delimiter",";")
    .schema(schemaObject1)
    .csv(pathToFile1)
    .as(encoderObject1);

工作正常。

“最佳”解决方案是：

  Dataset<MyOwnObject1> object1DS = spark.read()
    .option("header","true")
    .option("delimiter",";")
    .schema(encoderObject1.schema())
    .csv(pathToFile1)
    .as(encoderObject1);

但是encoderObject1.schema（）会按字母顺序返回一个包含vars的Schema，而不是原始顺序，然后当我读取csv时此选项失败。也许编码器应该按原始顺序返回带有变量的模式，而不是按字母顺序返回

如何使用java对象将两个spark数据集连接到一个？

1 个答案: