如何在 Java 中将 DataFrame 转换为 Apache Spark 中的数据集？

Question

我可以很容易地在 Scala 中将 DataFrame 转换为 Dataset：

case class Person(name:String, age:Long)
val df = ctx.read.json("/tmp/persons.json")
val ds = df.as[Person]
ds.printSchema

但在 Java 版本中，我不知道如何将 Dataframe 转换为 Dataset？有什么想法吗？

我的努力是：

DataFrame df = ctx.read().json(logFile);
Encoder<Person> encoder = new Encoder<>();
Dataset<Person> ds = new Dataset<Person>(ctx,df.logicalPlan(),encoder);
ds.printSchema();

但是编译器说：

Error:(23, 27) java: org.apache.spark.sql.Encoder is abstract; cannot be instantiated

已编辑（解决方案）：

基于@Leet-Falcon 答案的解决方案：

DataFrame df = ctx.read().json(logFile);
Encoder<Person> encoder = Encoders.bean(Person.class);
Dataset<Person> ds = new Dataset<Person>(ctx, df.logicalPlan(), encoder);

Answer 1

如果您想将通用 DF 转换为 Java 中的 Dataset，您可以使用 RowEncoder 类，如下所示

DataFrame df = sql.read().json(sc.parallelize(ImmutableList.of(
            "{\"id\": 0, \"phoneNumber\": 109, \"zip\": \"94102\"}"
    )));

    Dataset<Row> dataset = df.as(RowEncoder$.MODULE$.apply(df.schema()));

Answer 2

官方 Spark 文档在 Dataset API 中提出以下建议：

Java 编码器是通过在 Encoders 上调用静态方法来指定的。

List<String> data = Arrays.asList("abc", "abc", "xyz");
Dataset<String> ds = context.createDataset(data, Encoders.STRING());

编码器可以组成元组：

Encoder<Tuple2<Integer, String>> encoder2 = Encoders.tuple(Encoders.INT(), Encoders.STRING());
List<Tuple2<Integer, String>> data2 = Arrays.asList(new scala.Tuple2(1, "a");
Dataset<Tuple2<Integer, String>> ds2 = context.createDataset(data2, encoder2);

或者由Encoders#bean从Java Beans构造：

Encoders.bean(MyClass.class);