Spark UDF - 任务不可序列化异常

Question

我正在尝试使用以下 scala 代码创建 UDF

lazy val formattedDF = df.withColumn("result_col", validateudf(df("id")))

val validateudf = udf((id: Int) => {

  if(id == 1){
     "ID IS EQUAL TO 1"
  } 
  else if(id > 1){
    validateId(id)
  }
  else{
    "NO VALID RECORDS"
  }
})

def validateId(id:Int) : String = {
   if (id > 2) {
     "ID IS GREATER THAN 2"
   }
   else {
     "VALID RECORDS"
   }
 }

当我运行这段代码时，我得到了任务不可序列化的异常。

有什么想法吗？谢谢。

Answer 1

udf 被视为一个黑盒，需要对传递的列进行序列化和反序列化，因此当您有内置函数的替代方案时，不建议使用udf。

用withColumn 调用udf 函数没问题，但是您从导致问题的udf 函数内部调用了另一个函数validateId。

我建议你完全不要使用udf函数，因为你可以通过使用when内置函数来达到要求。

import org.apache.spark.sql.functions._
val formattedDF2 = df.withColumn("result_col", when($"id" === 1, lit("ID IS EQUAL TO 1")).otherwise(when($"id" > 2, lit("ID IS GREATER THAN 2")).otherwise(when($"id" > 1, lit("VALID RECORDS")).otherwise(lit("NO VALID RECORDS")))))