使用 Scala 类作为带有 pyspark 的 UDF

Question

在使用 Apache Spark 时，我正在尝试将一些计算从 Python 卸载到 Scala。我想使用 Java 的类接口来使用持久变量，就像这样（这是基于我更复杂的用例的无意义的 MWE）：

package mwe

import org.apache.spark.sql.api.java.UDF1

class SomeFun extends UDF1[Int, Int] {
  private var prop: Int = 0

  override def call(input: Int): Int = {
    if (prop == 0) {
      prop = input
    }
    prop + input
  }
}

现在我尝试在 pyspark 中使用这个类：

import pyspark
from pyspark.sql import SQLContext
from pyspark import SparkContext

conf = pyspark.SparkConf()
conf.set("spark.jars", "mwe.jar")
sc = SparkContext.getOrCreate(conf)

sqlContext = SQLContext.getOrCreate(sc)
sqlContext.registerJavaFunction("fun", "mwe.SomeFun")

df0 = sc.parallelize((i,) for i in range(6)).toDF(["num"])
df1 = df0.selectExpr("fun(num) + 3 as new_num")
df1.show()

并得到以下异常：

pyspark.sql.utils.AnalysisException: u"cannot resolve '(UDF:fun(num) + 3)' due to data type mismatch: differing types in '(UDF:fun(num) + 3)' (struct<> and int).; line 1 pos 0;\n'Project [(UDF:fun(num#0L) + 3) AS new_num#2]\n+- AnalysisBarrier\n      +- LogicalRDD [num#0L], false\n"

实现这一点的正确方法是什么？我必须求助于Java本身来上课吗？非常感谢您的提示！

Answer 1

异常的来源是使用了不兼容的类型：

• 首先，o.a.s.sql.api.java.UDF* 对象需要外部 Java（不是 Scala 类型），因此预期整数的 UDF 应该采用装箱的 Integer (java.lang.Integer) 而不是 Int。

  class SomeFun extends UDF1[Integer, Integer] {
    ...
    override def call(input: Integer): Integer = {
      ...
  

• 除非您使用旧版 Python num 列使用 LongType 而不是 IntegerType：

  df0.printSchema()
  root
   |-- num: long (nullable = true)
  

  所以实际的签名应该是

  class SomeFun extends UDF1[java.lang.Long, java.lang.Long] {
    ...
    override def call(input: java.lang.Long): java.lang.Long = {
      ...
  

  或者在应用UDF之前应该转换数据

  df0.selectExpr("fun(cast(num as integer)) + 3 as new_num")
  

最后，在 UDF 中不允许使用可变状态。它不会导致异常，但整体行为将是不确定的。