UDF 中的 Spark 类未发现异常

Question

当我调用一个函数时，它会起作用。但是当我在 UDF 中调用该函数时将不起作用。

这是完整的代码。

val sparkConf = new SparkConf().setAppName("HiveFromSpark").set("spark.driver.allowMultipleContexts","true")
val sc = new SparkContext(sparkConf)
val hive = new org.apache.spark.sql.hive.HiveContext(sc)

///////////// UDFS
def toDoubleArrayFun(vec:Any) : scala.Array[Double] = {
  return vec.asInstanceOf[WrappedArray[Double]].toArray
}
def toDoubleArray=udf((vec:Any) => toDoubleArrayFun(vec))

//////////// PROCESS
var df = hive.sql("select vec from mst_wordvector_tapi_128dim where word='soccer'")
println("==== test get value then transform")
println(df.head().get(0))
println(toDoubleArrayFun(df.head().get(0)))

println("==== test transform by udf")
df.withColumn("word_v", toDoubleArray(col("vec")))
.show(10);

然后这是输出。

sc: org.apache.spark.SparkContext = org.apache.spark.SparkContext@6e9484ad
hive: org.apache.spark.sql.hive.HiveContext = 
toDoubleArrayFun: (vec: Any)Array[Double]
toDoubleArray: org.apache.spark.sql.UserDefinedFunction
df: org.apache.spark.sql.DataFrame = [vec: array<double>]
==== test get value then transform
WrappedArray(-0.88675,, 0.0216657)
[D@4afcc447
==== test transform by udf
org.apache.spark.SparkException: Job aborted due to stage failure: Task 0 in stage 2.0 failed 4 times, most recent failure: Lost task 0.3 in stage 2.0 (TID 5, xdad008.band.nhnsystem.com): java.lang.ClassNotFoundException: $iwC$$iwC$$iwC$$iwC$$iwC$$$$5ba2a895f25683dd48fe725fd825a71$$$$$$iwC$$anonfun$toDoubleArray$1
    at java.net.URLClassLoader.findClass(URLClassLoader.java:381)
    at java.lang.ClassLoader.loadClass(ClassLoader.java:424)
    at java.lang.ClassLoader.loadClass(ClassLoader.java:357)

这里的完整输出。 https://gist.github.com/jeesim2/efb52f12d6cd4c1b255fd0c917411370

如您所见，“toDoubleArrayFun”函数运行良好，但在 udf 中它声称 ClassNotFoundException。

我不能改变hive的数据结构，需要将vec转换为Array[Double]来做一个Vector实例。

那么上面的代码有什么问题呢？

Spark 版本是 1.6.1

更新 1

Hive 表的 'vec' 列类型是“array<double>”

下面的代码也会出错

var df = hive.sql("select vec from mst_wordvector_tapi_128dim where 
word='hh'")
df.printSchema()
var word_vec = df.head().get(0)
println(word_vec)
println(Vectors.dense(word_vec))

输出

df: org.apache.spark.sql.DataFrame = [vec: array<double>]
root
|-- vec: array (nullable = true)
|    |-- element: double (containsNull = true)
==== test get value then transform
word_vec: Any = WrappedArray(-0.88675,...7)
<console>:288: error: overloaded method value dense with alternatives:
(values: Array[Double])org.apache.spark.mllib.linalg.Vector <and>
(firstValue: Double,otherValues:Double*)org.apache.spark.mllib.linalg.Vector
cannot be applied to (Any)
println(Vectors.dense(word_vec))

这意味着不能将 hive 'array<double>' 列强制转换为 Array<Double> 其实我想计算距离：用两个array<double> 列加倍。 如何根据array<double>列添加Vector列？

典型的方法是

Vectors.sqrt(Vectors.dense(Array<Double>, Array<Double>)

Answer 1

由于udf函数必须进行序列化和反序列化过程，any DataType 将不起作用。您必须定义要传递给udf 函数的列的确切数据类型。

从您问题的输出来看，您的数据框中似乎只有一列，即vec，它属于Array[Double] 类型

df: org.apache.spark.sql.DataFrame = [vec: array<double>]

实际上不需要该 udf 函数，因为您的 vec 列已经是 Array 数据类型，这也是您的 udf 函数正在做的事情，即将值转换为 Array[Double]。

现在，您的其他函数调用正在运行

println(toDoubleArrayFun(df.head().get(0)))

因为不需要序列化和反序列化过程，它只是scala函数调用。