是否可以将自定义类对象作为列值存储在 Spark Data Frame 中？

Question

我正在使用 LSH 算法解决重复文档检测问题。为了处理大规模数据，我们使用了 spark。

我有大约 300,000 个文档，每个文档至少 100-200 个单词。在 Spark 集群上，这些是我们在数据帧上执行的步骤。

1. 运行 Spark ML 管道以将文本转换为标记。

pipeline = Pipeline().setStages([
        docAssembler,
        tokenizer,
        normalizer,
        stemmer,
        finisher,
        stopwordsRemover,
       # emptyRowsRemover
    ])
model = pipeline.fit(spark_df)
final_df = model.transform(spark_df)

1. 对于每个文档，使用 datasketch(https://github.com/ekzhu/datasketch/) 库获取 MinHash 值并将其存储为新列。

final_df_limit.rdd.map(lambda x: (CalculateMinHash(x),)).toDF()

第二步失败，因为 spark 不允许我们将自定义类型值存储为列。 Value 是 MinHash 类的对象。

有谁知道如何将 Minhash 对象存储在数据框中？

Answer 1

我认为在 DataFrames 中保存 python 对象是不可能的，但您可以通过以下几种方式来规避它：

• 存储结果而不是对象（不确定MinHash是如何工作的，但是如果值是数字/字符串，应该很容易从类对象中提取出来）。

• 如果这不可行，因为您仍然需要对象的某些属性，您可能希望使用Pickle 对其进行序列化，将序列化结果保存为编码字符串。这会强制您在每次要使用该对象时进行反序列化。

  final_df_limit.rdd.map(lambda x: base64.encodestring(pickle.dumps(CalculateMinHash(x),))).toDF()

• 替代方法可能是使用Spark MinHash implementation，但这可能无法满足您的所有要求。