【问题标题】:How to analyse type mismatch error with Spark Dataset and UDF如何使用 Spark 数据集和 UDF 分析类型不匹配错误
【发布时间】:2019-01-12 10:01:54
【问题描述】:

我正在处理 2 个 CSV 文件来连接数据并使用 json4s 库生成 JSON Payload。我在使用 UDF 映射 spark 数据集行时遇到了问题。

我尝试创建一个简单的 UDF 接受行并返回硬编码值。问题依旧。

val station_data = spark.read.format("csv").option("sep", ",").option("inferSchema", "false").option("header", "true").load("gs://loyds-assignment/station_data.csv").drop("lat").drop("long").drop("dockcount").drop("installation")
val trip_data = spark.read.format("csv").option("sep", ",").option("inferSchema", "false").option("header", "true").load("gs://loyds-assignment/trip_data.csv").drop("Start Date").drop("End Date").drop("Subscriber Type").drop("Zip Code")

val getConcatenated = udf((first: String, second: String) => {
        first + "," + second
      })

val StatStationData = trip_data.join(station_data, col("Start Terminal") === col("station_id"), "inner").withColumn("Start Station", col("name")).withColumn("StartStationlandmark", col("landmark")).drop("name").drop("Start Terminal").drop("station_id").drop("landmark")
val FinalData = StatStationData.join(station_data, col("End Terminal") === col("station_id"), "inner").withColumn("End Station", col("name")).withColumn("Final landmark", when(col("landmark") === col("StartStationlandmark"), col("landmark")).otherwise(getConcatenated($"landmark", $"StartStationlandmark"))).drop("name").drop(("End Terminal")).drop("station_id").drop("landmark").drop("StartStationlandmark")

val FinalDataDf = FinalData.withColumn("TripID", col("Trip ID")).withColumn("EndStation", col("End Station")).withColumn("landmark", split(col("Final landmark"), "\\,")).withColumn("Bike", col("Bike #")).withColumn("StartStation", col("Start Station")).drop("Trip ID").drop("End Station").drop("Final landmark").drop("Bike #").drop("Start Station")

FinalDataDf.show(false)

case class FinalDataStruct(TripID: String, Duration: String, Bike: String, StartStation: String, EndStation: String, landmark: String)

val encoder = org.apache.spark.sql.Encoders.product[FinalDataStruct]

val FinalDataDS = FinalDataDf.as(encoder)

FinalDataDS.show(false)

import spark.sqlContext.implicits._
import org.apache.spark.sql._

import org.json4s._
import org.json4s.JsonDSL._
import org.json4s.jackson.JsonMethods._

def convertRowToJSON(row: Row) = {
  val json =
    ("bike" -> row(3).toString) ~
      ("start_station" -> row(4).toString) ~
      ("end_station" -> row(5).toString) ~
      ("landmarks" -> row(6).toString) ~
      ("total_duration" -> row(2).toString)
  (row(1).toString, compact(render(json)).toString)
}

val JsonPlayloadData = FinalDataDS.map(convertRowToJSON)

// To Test
def convertRowToJSONTtry(row: Row) = {
  (11, "Hello".toString)
}
val JsonPlayloadDataTest1 = FinalDataDS.map(convertRowToJSONTtry)

我得到的错误是:

scala> val JsonPlayloadData = FinalDataDS.map(convertRowToJSON)
<console>:42: error: type mismatch;
 found   : org.apache.spark.sql.Row => (String, String)
 required: FinalDataStruct => ?
       val JsonPlayloadData = FinalDataDS.map(convertRowToJSON)

【问题讨论】:

    标签: apache-spark apache-spark-sql json4s


    【解决方案1】:

    错误消息告诉您这里几乎所有需要知道的信息。您定义的函数是Row =&gt; (String, String),而您映射到Dataset[FinalDataStruct](不是udf)并需要FinalDataStruct =&gt; ?

    如果你想使用这个,请在​​DataFrame

    FinalDataDf.map(convertRowToJSON)
    

    Dataset[FinalDataStruct] 上使用:

    import org.json4s._
    
    import org.json4s.jackson.JsonMethods._
    import org.json4s.jackson.Serialization
    import org.json4s.jackson.Serialization.write
    
    FinalDataDS.map { x =>   
      implicit val formats = DefaultFormats
      (x.TripID, write(x))
    }
    

    虽然在实践中,最好用to_json call - Spark Row to JSON 替换 map。

    另外请注意,Rows 的索引是从 0 而不是从 1。

    【讨论】:

    • 感谢您的回答,它解决了我的问题。
    猜你喜欢
    • 1970-01-01
    • 2018-07-15
    • 1970-01-01
    • 2020-04-13
    • 1970-01-01
    • 2017-01-09
    • 1970-01-01
    • 1970-01-01
    • 1970-01-01
    相关资源
    最近更新 更多