使用类型化 UDAF 推断为二进制的列类型答案

【问题标题】：Column type inferred as binary with typed UDAF使用类型化 UDAF 推断为二进制的列类型
【发布时间】：2019-07-07 09:07:20
【问题描述】：

我正在尝试实现一个返回复杂类型的类型化 UDAF。不知何故，Spark 无法推断结果列的类型，并使其binary 将序列化数据放在那里。这是重现问题的最小示例

import org.apache.spark.sql.expressions.Aggregator
import org.apache.spark.sql.{SparkSession, Encoder, Encoders}

case class Data(key: Int)

class NoopAgg[I] extends Aggregator[I, Map[String, Int], Map[String, Int]] {
    override def zero: Map[String, Int] = Map.empty[String, Int]

    override def reduce(b: Map[String, Int], a: I): Map[String, Int] = b

    override def merge(b1: Map[String, Int], b2: Map[String, Int]): Map[String, Int] = b1

    override def finish(reduction: Map[String, Int]): Map[String, Int] = reduction

    override def bufferEncoder: Encoder[Map[String, Int]] = Encoders.kryo[Map[String, Int]]

    override def outputEncoder: Encoder[Map[String, Int]] = Encoders.kryo[Map[String, Int]]
}

object Question {
  def main(args: Array[String]): Unit = {
      val spark = SparkSession.builder().master("local").getOrCreate()

      val sc = spark.sparkContext

      import spark.implicits._

      val ds = sc.parallelize((1 to 10).map(i => Data(i))).toDS()

      val noop = new NoopAgg[Data]().toColumn

      val result = ds.groupByKey(_.key).agg(noop.as("my_sum").as[Map[String, Int]])

      result.printSchema()
  }
}

打印出来

root
 |-- value: integer (nullable = false)
 |-- my_sum: binary (nullable = true)

【问题讨论】：

标签： scala apache-spark apache-spark-sql apache-spark-dataset apache-spark-encoders

【解决方案1】：

这里根本没有推论。相反，您或多或少地得到了您所要求的。具体错误在这里：

override def outputEncoder: Encoder[Map[String, Int]] = Encoders.kryo[Map[String, Int]]

Encoders.kryo 表示您应用通用序列化并返回二进制 blob。误导部分是.as[Map[String, Int]] - 与人们预期的相反，它不是静态类型检查的。更糟糕的是，它甚至没有被查询规划器主动验证，并且只有在评估 result 时才会抛出运行时异常。

result.first

org.apache.spark.sql.AnalysisException: cannot resolve '`my_sum`' due to data type mismatch: cannot cast binary to map<string,int>;
  at org.apache.spark.sql.catalyst.analysis.package$AnalysisErrorAt.failAnalysis(package.scala:42)
  at org.apache.spark.sql.catalyst.analysis.CheckAnalysis$$anonfun$checkAnalysis$1$$anonfun$apply$3.applyOrElse(CheckAnalysis.scala:115)
...

您应该提供具体的Encoder，而不是either explicitly：

import org.apache.spark.sql.catalyst.encoders.ExpressionEncoder  

def outputEncoder: Encoder[Map[String, Int]] = ExpressionEncoder()

或隐含

class NoopAgg[I](implicit val enc: Encoder[Map[String, Int]]) extends Aggregator[I, Map[String, Int], Map[String, Int]] {
  ...
  override def outputEncoder: Encoder[Map[String, Int]] = enc
}

作为副作用，它会使as[Map[String, Int]] 过时，因为Aggregator 的返回类型是已知的。

【讨论】：