为什么在创建自定义案例类的数据集时“无法找到存储在数据集中的类型的编码器”？

Question

Spark 2.0（最终版）和 Scala 2.11.8。以下超级简单的代码会产生编译错误Error:(17, 45) 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.

import org.apache.spark.sql.SparkSession

case class SimpleTuple(id: Int, desc: String)

object DatasetTest {
  val dataList = List(
    SimpleTuple(5, "abc"),
    SimpleTuple(6, "bcd")
  )

  def main(args: Array[String]): Unit = {
    val sparkSession = SparkSession.builder.
      master("local")
      .appName("example")
      .getOrCreate()

    val dataset = sparkSession.createDataset(dataList)
  }
}

Answer 1

Spark Datasets 需要 Encoders 用于即将存储的数据类型。对于常见类型（原子、产品类型），有许多可用的预定义编码器，但您必须先从 SparkSession.implicits 导入这些编码器才能使其工作：

val sparkSession: SparkSession = ???
import sparkSession.implicits._
val dataset = sparkSession.createDataset(dataList)

或者你可以直接提供一个明确的

import org.apache.spark.sql.{Encoder, Encoders}

val dataset = sparkSession.createDataset(dataList)(Encoders.product[SimpleTuple])

或隐式

implicit val enc: Encoder[SimpleTuple] = Encoders.product[SimpleTuple]
val dataset = sparkSession.createDataset(dataList)

Encoder 用于存储类型。

注意Encoders还为原子类型提供了许多预定义的Encoders，为复杂类型提供了Encoders，可以使用ExpressionEncoder派生。

进一步阅读：

• 对于内置编码器未涵盖的自定义对象，请参阅How to store custom objects in Dataset?
• 对于Row 对象，您必须明确提供Encoder，如Encoder error while trying to map dataframe row to updated row 所示
• 对于调试案例，案例类必须在 Main https://stackoverflow.com/a/34715827/3535853 之外定义

Answer 2

对于其他用户（您的用户是正确的），请注意，在 object 范围之外定义 case class 也很重要。所以：

失败：

object DatasetTest {
  case class SimpleTuple(id: Int, desc: String)

  val dataList = List(
    SimpleTuple(5, "abc"),
    SimpleTuple(6, "bcd")
  )

  def main(args: Array[String]): Unit = {
    val sparkSession = SparkSession.builder
      .master("local")
      .appName("example")
      .getOrCreate()
    val dataset = sparkSession.createDataset(dataList)
  }
}

添加隐式，仍然失败并出现同样的错误：

object DatasetTest {
  case class SimpleTuple(id: Int, desc: String)

  val dataList = List(
    SimpleTuple(5, "abc"),
    SimpleTuple(6, "bcd")
  )

  def main(args: Array[String]): Unit = {
    val sparkSession = SparkSession.builder
      .master("local")
      .appName("example")
      .getOrCreate()

    import sparkSession.implicits._
    val dataset = sparkSession.createDataset(dataList)
  }
}

作品：

case class SimpleTuple(id: Int, desc: String)

object DatasetTest {   
  val dataList = List(
    SimpleTuple(5, "abc"),
    SimpleTuple(6, "bcd")
  )

  def main(args: Array[String]): Unit = {
    val sparkSession = SparkSession.builder
      .master("local")
      .appName("example")
      .getOrCreate()

    import sparkSession.implicits._
    val dataset = sparkSession.createDataset(dataList)
  }
}

这是相关的错误：https://issues.apache.org/jira/browse/SPARK-13540，所以希望它会在 Spark 2 的下一个版本中得到修复。

（编辑：看起来那个错误修复实际上是在 Spark 2.0.0 中......所以我不确定为什么这仍然失败）。

Answer 3

我会用我自己的问题的答案来澄清，如果目标是定义一个简单的文字 SparkData 框架，而不是使用 Scala 元组和隐式转换，更简单的方法是像这样直接使用 Spark API：

  import org.apache.spark.sql._
  import org.apache.spark.sql.types._
  import scala.collection.JavaConverters._

  val simpleSchema = StructType(
    StructField("a", StringType) ::
    StructField("b", IntegerType) ::
    StructField("c", IntegerType) ::
    StructField("d", IntegerType) ::
    StructField("e", IntegerType) :: Nil)

  val data = List(
    Row("001", 1, 0, 3, 4),
    Row("001", 3, 4, 1, 7),
    Row("001", null, 0, 6, 4),
    Row("003", 1, 4, 5, 7),
    Row("003", 5, 4, null, 2),
    Row("003", 4, null, 9, 2),
    Row("003", 2, 3, 0, 1)
  )

  val df = spark.createDataFrame(data.asJava, simpleSchema)