行类型 Spark 数据集的编码器

Question

我想为 DataSet 中的 Row 类型编写一个编码器，用于我正在执行的映射操作。本质上，我不明白如何编写编码器。

以下是地图操作的示例：

In the example below, instead of returning Dataset<String>, I would like to return Dataset<Row>

Dataset<String> output = dataset1.flatMap(new FlatMapFunction<Row, String>() {
            @Override
            public Iterator<String> call(Row row) throws Exception {

                ArrayList<String> obj = //some map operation
                return obj.iterator();
            }
        },Encoders.STRING());

我明白编码器不是字符串，需要写成如下：

    Encoder<Row> encoder = new Encoder<Row>() {
        @Override
        public StructType schema() {
            return join.schema();
            //return null;
        }

        @Override
        public ClassTag<Row> clsTag() {
            return null;
        }
    };

但是，我不了解编码器中的 clsTag()，我正在尝试找到一个可以演示类似内容的运行示例（即行类型的编码器）

编辑 - 这不是提到的问题的副本：Encoder error while trying to map dataframe row to updated row 因为答案谈到在 Spark 2.x 中使用 Spark 1.x（我没有这样做），我也在寻找一个编码器行类而不是解决错误。最后，我一直在寻找 Java 中的解决方案，而不是 Scala。

Answer 1

答案是使用RowEncoder 和使用StructType 的数据集架构。

以下是使用数据集进行平面地图操作的工作示例：

    StructType structType = new StructType();
    structType = structType.add("id1", DataTypes.LongType, false);
    structType = structType.add("id2", DataTypes.LongType, false);

    ExpressionEncoder<Row> encoder = RowEncoder.apply(structType);

    Dataset<Row> output = join.flatMap(new FlatMapFunction<Row, Row>() {
        @Override
        public Iterator<Row> call(Row row) throws Exception {
            // a static map operation to demonstrate
            List<Object> data = new ArrayList<>();
            data.add(1l);
            data.add(2l);
            ArrayList<Row> list = new ArrayList<>();
            list.add(RowFactory.create(data.toArray()));
            return list.iterator();
        }
    }, encoder);

Answer 2

我遇到了同样的问题...Encoders.kryo(Row.class)) 为我工作。

作为奖励，Apache Spark 调优文档引用了 Kryo，因为它的序列化速度“通常高达 10 倍”：

https://spark.apache.org/docs/latest/tuning.html