将带有结构类型键的映射传递给Spark。

Question

我想写一个Spark1.6UDF，它使用以下地图：

case class MyRow(mapping: Map[(Int, Int), Double])

val data = Seq(
  MyRow(Map((1, 1) -> 1.0))
)
val df = sc.parallelize(data).toDF()

df.printSchema()

root
 |-- mapping: map (nullable = true)
 |    |-- key: struct
 |    |-- value: double (valueContainsNull = false)
 |    |    |-- _1: integer (nullable = false)
 |    |    |-- _2: integer (nullable = false)

(顺便提一句:我觉得上面的输出很奇怪，因为键的类型打印在值的类型下面，为什么呢？)

现在，我将我的UDF定义为：

val myUDF = udf((inputMapping: Map[(Int,Int), Double]) =>
  inputMapping.map { case ((i1, i2), value) => ((i1 + i2), value) }
)

df
  .withColumn("udfResult", myUDF($"mapping"))
  .show()

但这给了我：

java.lang.ClassCastException: org.apache.spark.sql.catalyst.expressions.GenericRowWithSchema cannot be cast to scala.Tuple2

因此，我尝试用自定义的(Int,Int)替换case class，因为如果我想将struct传递给UDF，通常是这样做的：

case class MyTuple2(i1: Int, i2: Int)
val myUDF = udf((inputMapping: Map[MyTuple2, Double]) => 
  inputMapping.map { case (MyTuple2(i1, i2), value) => ((i1 + i2), value) }
)

奇怪的是：

org.apache.spark.sql.AnalysisException: cannot resolve 'UDF(mapping)' due to data type mismatch: argument 1 requires map<struct<i1:int,i2:int>,double> type, however, 'mapping' is of map<struct<_1:int,_2:int>,double> type.

当类型匹配时，我不理解上面的异常。

我找到的唯一(丑陋的)解决方案是传递一个org.apache.spark.sql.Row，然后“提取”结构的元素：

val myUDF = udf((inputMapping: Map[Row, Double]) => inputMapping
  .map { case (key, value) => ((key.getInt(0), key.getInt(1)), value) } // extract Row into Tuple2
  .map { case ((i1, i2), value) => ((i1 + i2), value) }
)

Answer 1

据我所知，在这个上下文中使用Row是不可避免的:在映射(或另一个元组/案例类/数组)中使用的元组(或case类).是一个嵌套结构，因此当传递到UDF时，它将被表示为一个Row。

我建议的唯一改进是使用Row.unapply来稍微简化代码：

val myUDF = udf((inputMapping: Map[Row, Double]) => inputMapping
  .map { case (Row(i1: Int, i2: Int), value) => (i1 + i2, value) }
)