Question

我有一个包含许多字段的JSON文件。我在java中使用spark的数据集读取文件。

Spark版本2.2.0
java jdk 1.8.0_121

以下是代码。

SparkSession spark = SparkSession
              .builder()
              .appName("Java Spark SQL basic example")
              .config("spark.some.config.option", "some-value")
              .master("local")
              .getOrCreate();

Dataset<Row> df = spark.read().json("jsonfile.json");

我想将withColumn函数与自定义UDF一起使用来添加新列。

UDF1 someudf = new UDF1<Row,String>(){
        public String call(Row fin) throws Exception{
            String some_str = fin.getAs("String");
            return some_str;
        }
    };
spark.udf().register( "some_udf", someudf, DataTypes.StringType );
df.withColumn( "procs", callUDF( "some_udf", col("columnx") ) ).show();

运行上面的代码时出现转换错误。 java.lang.String无法强制转换为org.apache.spark.sql.Row

问题：

1 - 读取行数据集是唯一的选择吗？我可以将df转换为df的字符串。但我无法选择字段。

2 - 尝试但未能定义用户定义的数据类型。我无法使用此自定义UDDatatype注册UDF。我需要用户定义的数据类型吗？

3 - 主要问题是，如何从String转换为Row？

部分日志复制如下：

Caused by: java.lang.ClassCastException: java.lang.String cannot be cast to org.apache.spark.sql.Row
    at Risks.readcsv$1.call(readcsv.java:1)
    at org.apache.spark.sql.UDFRegistration$$anonfun$27.apply(UDFRegistration.scala:512)
        ... 16 more

Caused by: org.apache.spark.SparkException: Failed to execute user defined function($anonfun$27: (string) => string)

非常感谢您的帮助。

Answer 1

您收到该异常是因为UDF将对列的数据类型执行，而不是Row。考虑我们Dataset<Row> ds有两列col1和col2都是字符串类型。现在，如果我们想使用col2将UDF的值转换为大写。

我们可以注册并致电UDF，如下所示。

spark.udf().register("toUpper", toUpper, DataTypes.StringType);
ds.select(col("*"),callUDF("toUpper", col("col2"))).show();

或使用withColumn

ds.withColumn("Upper",callUDF("toUpper", col("col2"))).show();

UDF应如下所示。

private static UDF1 toUpper = new UDF1<String, String>() {
    public String call(final String str) throws Exception {
        return str.toUpperCase();
    }
};

Answer 2

改进@abaghel编写的内容。如果您使用以下导入

import org.apache.spark.sql.functions;

使用withColumn，代码应如下：

ds.withColumn("Upper",functions.callUDF("toUpper", ds.col("col2"))).show();

在Spark数据集<row>中使用custome UDF withColumn; java.lang.String无法强制转换为org.apache.spark.sql.Row

2 个答案: