Question

所以我有这个代码

val expanededDf = io.readInputs().mapPartitions{ 
(iter:Iterator[Row]) => {
    iter.map{
        (item:Row) => {
            val myNewColumn = getUdf($"someColumnOriginal")
            Row.fromSeq(item.toSeq :+(myNewColumn))
            }
     }
 }
 }

我得到一个例外：“无法找到存储在数据集中的类型的编码器。导入spark.implicits.支持原始类型（Int，String等）和产品类型（案例类）。支持序列化其他将来的版本中将添加类型。“ 我的进口是：

import spark.implicits._
import org.apache.spark.sql._

我必须使用UDF，因为函数非常复杂，需要进行一些REST调用。基本上，代码尝试使用特定列值将新列添加到Row中，然后返回数据帧。我曾尝试使用withColumn，但由于我在这里处理数PB的数据，因此速度非常慢。我是火花和斯卡拉的新手，因此如果我的问题非常蹩脚，我会提前道歉。

Answer 1

首先，withColumn是要走的路，如果它很慢，可能是因为你的工作需要调整，我认为切换到RDD不会让它更快。

但无论如何......你不应该引用在RDD的每一行上调用的函数中的DataFrame。

为了更好地理解正在发生的事情，当运行一个火花程序时，有一个驱动程序，它是主程序，还有执行程序，它们是奴隶。奴隶不知道DataFrames，只有驱动程序知道。

还有一点很重要，当您编写在执行程序中运行的代码时，在引用驱动程序范围内的变量时必须小心。如果你这样做，Spark将尝试序列化它们并将它们发送给Executors。如果它是你想要的并且如果那些对象很小并且Spark知道如何序列化它们就没关系。

在这种情况下，Spark正在尝试序列化$"someColumnOriginal"，它是类Column的对象，但它不知道如何失败。在这种情况下，为了使它工作，你必须知道你想要的字段在什么位置，让我们说它在第2位，你会写

 Row.fromSeq(item.toSeq :+ item.get(2))

你可以通过查看架构是否可用（item.schema，rdd.schema）获得该位置，并且由于它是一个int，它可以在循环外完成，Spark将能够序列化它。您可以阅读这篇文章http://www.cakesolutions.net/teamblogs/demystifying-spark-serialisation-error，了解有关序列化的更多信息。

使用spark spark mapPartition

1 个答案: