如何将 JavaPairRDD 转换为数据集？

【问题标题】：How to convert a JavaPairRDD to Dataset?如何将 JavaPairRDD 转换为数据集？
【发布时间】：2017-02-23 02:24:38
【问题描述】：

SparkSession.createDataset() 只允许List, RDD, or Seq - 但它不支持JavaPairRDD。

因此，如果我有一个 JavaPairRDD<String, User>，我想从中创建一个 Dataset，那么对于 SparkSession.createDataset() 限制创建一个包含两个字段的包装器 UserMap 类是否可行：String 和 @ 987654329@。

那么spark.createDataset(userMap, Encoders.bean(UserMap.class));?

【问题讨论】：

标签： java apache-spark rdd apache-spark-dataset

【解决方案1】：

如果您可以将JavaPairRDD 转换为List<Tuple2<K, V>>，那么您可以使用采用List 的createDataset 方法。请参阅下面的示例代码。

JavaPairRDD<String, User> pairRDD = ...;
Dataset<Row> df = spark.createDataset(pairRDD.collect(), Encoders.tuple(Encoders.STRING(),Encoders.bean(User.class))).toDF("key","value");

或者你可以转换成RDD

Dataset<Row> df = spark.createDataset(JavaPairRDD.toRDD(pairRDD), Encoders.tuple(Encoders.STRING(),Encoders.bean(User.class))).toDF("key","value");

【讨论】：

在我的情况下，我有很多转换要到达JavaPairRdd<String,User> pairRDD...。所以如果我调用pairRDD.collect()，所有Dataset的优化都会丢失。