Spark SQL 中关于 Dataset.filter 的错误

Question

我只想过滤数据集以包含可以在 MySQL 中找到的记录。

这是数据集：

dataset.show()
+---+-----+
| id| name|
+---+-----+
|  1|    a|
|  2|    b|
|  3|    c|
+---+-----+

这里是 MySQL 中的 table：

+---+-----+
| id| name|
+---+-----+
|  1|    a|
|  3|    c|
|  4|    d|
+---+-----+

这是我的代码（运行 in spark-shell）：

import java.util.Properties

case class App(id: Int, name: String)

val data = sc.parallelize(Array((1, "a"), (2, "b"), (3, "c")))
val dataFrame = data.map { case (id, name) => App(id, name) }.toDF
val dataset = dataFrame.as[App]

val url = "jdbc:mysql://ip:port/tbl_name"
val table = "my_tbl_name"
val user = "my_user_name"
val password = "my_password"

val properties = new Properties()
properties.setProperty("user", user)
properties.setProperty("password", password)

dataset.filter((x: App) => 
  0 != sqlContext.read.jdbc(url, table, Array("id = " + x.id.toString), properties).count).show()

但我得到 "java.lang.NullPointerException"

at org.apache.spark.sql.SQLConf.getConf(SQLConf.scala:638)
    at org.apache.spark.sql.SQLConf.defaultDataSourceName(SQLConf.scala:558)
    at org.apache.spark.sql.DataFrameReader.<init>(DataFrameReader.scala:362)
    at org.apache.spark.sql.SQLContext.read(SQLContext.scala:623)

我测试过

val x = App(1, "aa")
sqlContext.read.jdbc(url, table, Array("id = " + x.id.toString), properties).count

val y = App(5, "aa")
sqlContext.read.jdbc(url, table, Array("id = " + y.id.toString), properties).count

我可以得到正确的结果 1 和 0。

过滤器有什么问题？

Answer 1

What's the problem with filter?

您遇到异常是因为您试图在转换 (filter) 中执行操作（DataFrame 上的 count）。 Spark 不支持嵌套操作和转换。

正确的解决方案与往常一样 join 在兼容的数据结构上，使用本地数据结构查找或直接查询外部系统（不使用 Spark 数据结构）。

Spark SQL 中关于 Dataset.filter 的错误

An error about Dataset.filter in Spark SQL

apache-spark

apache-spark-sql

apache-spark-dataset