在 Spark SQL 中使用 collect_list 和 collect_set

Question

根据docs，collect_set 和collect_list 函数应该在 Spark SQL 中可用。但是，我无法让它工作。我正在使用Docker image 运行 Spark 1.6.0。

我正在尝试在 Scala 中执行此操作：

import org.apache.spark.sql.functions._ 

df.groupBy("column1") 
  .agg(collect_set("column2")) 
  .show() 

并在运行时收到以下错误：

Exception in thread "main" org.apache.spark.sql.AnalysisException: undefined function collect_set; 

也尝试使用pyspark，但也失败了。文档说明这些函数是 Hive UDAF 的别名，但我无法确定启用这些函数。

如何解决这个问题？谢谢！

Answer 1

Spark 2.0+：

SPARK-10605 引入了原生 collect_list 和 collect_set 实现。不再需要具有 Hive 支持的 SparkSession 或 HiveContext。

Spark 2.0-SNAPSHOT （2016-05-03 之前）：

您必须为给定的SparkSession 启用 Hive 支持：

在 Scala 中：

val spark = SparkSession.builder
  .master("local")
  .appName("testing")
  .enableHiveSupport()  // <- enable Hive support.
  .getOrCreate()

在 Python 中：

spark = (SparkSession.builder
    .enableHiveSupport()
    .getOrCreate())

Spark ：

为了能够使用 Hive UDF（请参阅 https://cwiki.apache.org/confluence/display/Hive/LanguageManual+UDF），您已经使用了支持 Hive 构建的 Spark（当您使用预构建的二进制文件时已经涵盖了这一点，这里似乎就是这种情况）并使用初始化 SparkContext HiveContext.

在 Scala 中：

import org.apache.spark.sql.hive.HiveContext
import org.apache.spark.sql.SQLContext

val sqlContext: SQLContext = new HiveContext(sc) 

在 Python 中：

from pyspark.sql import HiveContext

sqlContext = HiveContext(sc)