如何在 Spark 2.X 数据集中创建自定义编码器？

Question

Spark 数据集从 Row's 移到 Encoder's for Pojo's/primitives。 Catalyst 引擎使用ExpressionEncoder 来转换 SQL 表达式中的列。然而，似乎没有Encoder 的其他子类可用作我们自己实现的模板。

以下是 Spark 1.X / DataFrames 中的代码示例，但在新机制中无法编译：

//mapping each row to RDD tuple
df.map(row => {
    var id: String = if (!has_id) "" else row.getAs[String]("id")
    var label: String = row.getAs[String]("label")
    val channels  : Int = if (!has_channels) 0 else row.getAs[Int]("channels")
    val height  : Int = if (!has_height) 0 else row.getAs[Int]("height")
    val width : Int = if (!has_width) 0 else row.getAs[Int]("width")
    val data : Array[Byte] = row.getAs[Any]("data") match {
      case str: String => str.getBytes
      case arr: Array[Byte@unchecked] => arr
      case _ => {
        log.error("Unsupport value type")
        null
      }
    }
    (id, label, channels, height, width, data)
  }).persist(StorageLevel.DISK_ONLY)

}

我们得到一个编译器错误

Error:(56, 11) Unable to find encoder for type stored in a Dataset.
Primitive types (Int, String, etc) and Product types (case classes) are supported 
by importing spark.implicits._  Support for serializing other types will be added in future releases.
    df.map(row => {
          ^

那么在某种程度上/某处应该有办法

• 定义/实现我们的自定义编码器
• 在DataFrame（现在是Row 类型的数据集）上执行映射时应用它
• 注册编码器以供其他自定义代码使用

我正在寻找能够成功执行这些步骤的代码。

Answer 1

您是否导入了隐式编码器？

导入 spark.implicits._

http://spark.apache.org/docs/2.0.0-preview/api/scala/index.html#org.apache.spark.sql.Encoder

Answer 2

据我所知，自 1.6 以来并没有真正改变，How to store custom objects in Dataset? 中描述的解决方案是唯一可用的选项。不过，您当前的代码应该可以与产品类型的默认编码器一起正常工作。

要了解为什么您的代码在 1.x 中有效而在 2.0.0 中可能无效，您必须检查签名。在 1.x 中，DataFrame.map 是一种采用函数 Row => T 并将 RDD[Row] 转换为 RDD[T] 的方法。

在 2.0.0 中，DataFrame.map 也采用 Row => T 类型的函数，但将 Dataset[Row]（又名 DataFrame）转换为 Dataset[T]，因此 T 需要 Encoder。如果您想获得“旧”行为，您应该明确使用RDD：

df.rdd.map(row => ???)

对于Dataset[Row]map，请参阅Encoder error while trying to map dataframe row to updated row

Answer 3

我导入了 spark.implicits._ spark 是 SparkSession，它解决了错误并导入了自定义编码器。

另外，编写自定义编码器是一种我没有尝试过的方法。

工作解决方案：- 创建 SparkSession 并导入以下内容

导入 spark.implicits._