定义一个接受 Spark DataFrame 中对象数组的 UDF？答案

【问题标题】：Defining a UDF that accepts an Array of objects in a Spark DataFrame?定义一个接受 Spark DataFrame 中对象数组的 UDF？
【发布时间】：2016-12-24 16:26:28
【问题描述】：

使用 Spark 的 DataFrame 时，需要使用用户定义函数 (UDF) 来映射列中的数据。 UDF 要求显式指定参数类型。就我而言，我需要操作由对象数组组成的列，但我不知道要使用什么类型。这是一个例子：

import sqlContext.implicits._

// Start with some data. Each row (here, there's only one row) 
// is a topic and a bunch of subjects
val data = sqlContext.read.json(sc.parallelize(Seq(
  """
  |{
  |  "topic" : "pets",
  |  "subjects" : [
  |    {"type" : "cat", "score" : 10},
  |    {"type" : "dog", "score" : 1}
  |  ]
  |}
  """)))

使用内置的org.apache.spark.sql.functions对列中的数据进行基本操作比较简单

import org.apache.spark.sql.functions.size
data.select($"topic", size($"subjects")).show

+-----+--------------+
|topic|size(subjects)|
+-----+--------------+
| pets|             2|
+-----+--------------+

编写自定义 UDF 来执行任意操作通常很容易

import org.apache.spark.sql.functions.udf
val enhance = udf { topic : String => topic.toUpperCase() }
data.select(enhance($"topic"), size($"subjects")).show 

+----------+--------------+
|UDF(topic)|size(subjects)|
+----------+--------------+
|      PETS|             2|
+----------+--------------+

但是，如果我想使用 UDF 来操作“主题”列中的对象数组怎么办？我对 UDF 中的参数使用什么类型？比如我想重新实现size函数，而不是使用spark提供的那个：

val my_size = udf { subjects: Array[Something] => subjects.size }
data.select($"topic", my_size($"subjects")).show

显然Array[Something] 不起作用...我应该使用什么类型！？我应该完全放弃Array[] 吗？闲逛告诉我scala.collection.mutable.WrappedArray 可能与它有关，但我仍然需要提供另一种类型。

【问题讨论】：

标签： scala apache-spark dataframe apache-spark-sql user-defined-functions

【解决方案1】：

你要找的是Seq[o.a.s.sql.Row]:

import org.apache.spark.sql.Row

val my_size = udf { subjects: Seq[Row] => subjects.size }

解释：

ArrayType 的当前表示形式，如您所知，WrappedArray 所以Array 将不起作用，最好保持安全。
According to the official specification，StructType 的本地（外部）类型是 Row。不幸的是，这意味着对各个字段的访问不是类型安全的。

注意事项：

要在 Spark struct，传递给 udf 的函数必须返回 Product 类型（Tuple* 或 case class），而不是 Row。那是因为对应的udf变体depend on Scala reflection：

将 n 个参数的 Scala 闭包定义为用户定义函数 (UDF)。数据类型是根据 Scala 闭包的签名自动推断出来的。
在 Spark >= 2.3 中，可以直接返回 Row，as long as the schema is provided。

def udf(f: AnyRef, dataType: DataType): UserDefinedFunction 使用 Scala 闭包定义确定性用户定义函数 (UDF)。对于这个变体，调用者必须指定输出数据类型，并且没有自动输入类型强制。

参见例如How to create a Spark UDF in Java / Kotlin which returns a complex type?。

【讨论】：