Spark数据集从Row转向使用Encoder来处理Pojo和原始类型。Catalyst引擎使用ExpressionEncoder将SQL表达式中的列进行转换。然而,似乎没有其他可用的Encoder子类可用于作为我们自己实现的模板。
这是一个在Spark 1.X / DataFrames中可以正常工作但在新的体系结构中无法编译的代码示例:
//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)
我们得到了一个编译器错误
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 => {
^
所以,必须有某种方式/某个地方可以:
- 定义/实现我们自定义的编码器
- 在执行
DataFrame
上的映射时应用它(现在是类型为Row
的数据集) - 注册编码器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。