SparkSQLJava：使用数据集时将Pojo转换为表格格式

Question

我对Spark SQL很陌生。在执行一项培训任务时，我遇到了以下问题，无法找到答案（以下所有示例都有点愚蠢，但出于演示目的，应该仍然可以）。

我的应用程序读取拼花文件并根据其内容创建数据集：

DataFrame input = sqlContext.read().parquet("src/test/resources/integration/input/source.gz.parquet");
Dataset<Row> dataset = input.as(RowEncoder$.MODULE$.apply(input.schema()));

数据集。show（）调用结果：

+------------+----------------+--------+
+    Names   +       Gender   +   Age  +
+------------+----------------+--------+
| Jack, Jill |  Male, Female  | 30, 25 |

然后，我将数据集转换为一个新的数据集，其中包含Person类型：

public static Dataset<Person> transformToPerson(Dataset<Row> rawData) {
    return rawData
            .flatMap((Row sourceRow) -> {
                // code to parse an input row and split person data goes here
                Person person1 = new Person(name1, gender1, age1);
                Person person2 = new Person(name2, gender2, age2);
                return Arrays.asList(person1, person2);
            }, Encoders.bean(Person.class));
}

哪里

public abstract class Human implements Serializable {
   protected String name;
   protected String gender;
   // getters/setters go here
   // default constructor + constructor with the name and gender params
 }
 public class Person extends Human {
   private String age;
   // getters/setters for the age param go here
   // default constructor + constructor with the age, name and gender params
   // overriden toString() method which returns the string: (<name>, <gender>, <age>)
 }

最后，当我显示数据集的内容时，我希望看到

 +------------+----------------+--------+
 +    name    +       gender   +   age  +
 +------------+----------------+--------+
 |     Jack   |     Male       |   30   |
 |     Jill   |     Femail     |   25   |

然而，我明白了

+-------------------+----------------+--------+
+      name         +       gender   +   age  +
+-------------------+----------------+--------+
|(Jack, Male, 30)   |                |        |
|(Jill, Femail, 25) |                |        |

这是toString（）方法的结果，而标头是正确的。我相信编码器有问题，如果我使用它显示的Encoders.java序列化（T）或Encoders.kryo（T）

+------------------+
+        value     +
+------------------+
|(Jack, Male, 30)  |
|(Jill, Femail, 25)|

我最担心的是，编码器的错误使用可能会导致错误的SerDe和/或性能损失。在我能找到的所有Spark Java示例中，我看不到任何特殊之处。。。

你能告诉我我做错了什么吗？

更新1

以下是我的项目的依赖项：

    <dependency>
        <groupId>org.apache.spark</groupId>
        <artifactId>spark-core_2.10</artifactId>
        <version>1.6.2</version>
    </dependency>
    <dependency>
        <groupId>org.apache.spark</groupId>
        <artifactId>spark-sql_2.10</artifactId>
        <version>1.6.2</version>
    </dependency>
    <dependency>
        <groupId>org.apache.spark</groupId>
        <artifactId>spark-hive_2.10</artifactId>
        <version>1.6.2</version>
    </dependency>

解决方案

正如abaghel建议的那样，我将版本升级到2.0.2（请注意，在2.0.0版本上存在适用于Windows的错误），在我的代码中到处使用Dataset而不是DataFrames（似乎DataFrames不是Apache Spark的一部分从2.0.0开始），并使用基于迭代器的平面图函数从行转换为人。

仅与大家分享，在1.6.2版中使用基于TraversableOnce的flatMap的方法对我来说并不适用，因为它引发了“MyPersonversion$function1 not Serializable”异常。

现在一切正常。

Answer 1

您使用的Spark版本是什么？您提供的平面图方法未使用版本2.2.0编译。所需的返回类型是Iterator

public static Dataset<Person> transformToPerson(Dataset<Row> rawData) {
    return rawData.flatMap(row -> {
        String[] nameArr = row.getString(0).split(",");
        String[] genArr = row.getString(1).split(",");
        String[] ageArr = row.getString(2).split(",");
        Person person1 = new Person(nameArr[0], genArr[0], ageArr[0]);
        Person person2 = new Person(nameArr[1], genArr[1], ageArr[1]);
        return Arrays.asList(person1, person2).iterator();
    }, Encoders.bean(Person.class));
}

//Call function
Dataset<Person> dataset1 = transformToPerson(dataset);
dataset1.show();