使用 Spark 数据帧进行单元测试

Question

我正在尝试测试我的程序中对数据帧执行转换的部分我想测试这些数据框的几种不同变体，这些变体排除了从文件中读取特定 DF 的选项

所以我的问题是：

是否有任何关于如何使用 Spark 和数据帧执行单元测试的好教程，尤其是关于数据帧的创建？
如何在没有大量样板文件且不从文件中读取这些数据帧的情况下创建这些不同的多行数据帧？
是否有任何实用程序类用于检查数据框中的特定值？

我显然之前用谷歌搜索过，但找不到任何有用的东西。我发现的更有用的链接包括：

Custom made assertions with DF

如果 examples/tutorials 使用 Scala 就更好了，但我会使用你拥有的任何语言

提前致谢

Answer 1

此 link 展示了我们如何以编程方式创建具有模式的数据框。您可以将数据保存在单独的特征中，并将其与您的测试混合。例如，

// This example assumes CSV data. But same approach should work for other formats as well.

trait TestData {
  val data1 = List(
    "this,is,valid,data",
    "this,is,in-valid,data",
  )
  val data2 = ...  
}

然后使用 ScalaTest，我们可以做这样的事情。

class MyDFTest extends FlatSpec with Matchers {

  "method" should "perform this" in new TestData {
     // You can access your test data here. Use it to create the DataFrame.
     // Your test here.
  }
}

要创建 DataFrame，您可以使用如下几个实用方法。

  def schema(types: Array[String], cols: Array[String]) = {
    val datatypes = types.map {
      case "String" => StringType
      case "Long" => LongType
      case "Double" => DoubleType
      // Add more types here based on your data.
      case _ => StringType
    }
    StructType(cols.indices.map(x => StructField(cols(x), datatypes(x))).toArray)
  }

  def df(data: List[String], types: Array[String], cols: Array[String]) = {
    val rdd = sc.parallelize(data)
    val parser = new CSVParser(',')
    val split = rdd.map(line => parser.parseLine(line))
    val rdd = split.map(arr => Row(arr(0), arr(1), arr(2), arr(3)))
    sqlContext.createDataFrame(rdd, schema(types, cols))
  }

我不知道有任何实用程序类可用于检查 DataFrame 中的特定值。但我认为使用 DataFrame API 编写一个应该很简单。

Answer 2

对于那些希望在 Java 中实现类似目标的人，您可以使用此项目开始，在单元测试中初始化 SparkContext：https://github.com/holdenk/spark-testing-base

我个人不得不模仿一些 AVRO 文件的文件结构。所以我使用 Avro-tools (https://avro.apache.org/docs/1.8.2/gettingstartedjava.html#download_install) 使用以下命令从我的二进制记录中提取模式：

java -jar $AVRO_HOME/avro tojson largeAvroFile.avro | head -3

然后，使用这个小辅助方法，您可以将输出 JSON 转换为 DataFrame 以在单元测试中使用。

private DataFrame getDataFrameFromList() {
    SQLContext sqlContext = new SQLContext(jsc());
    ImmutableList<String> elements = ImmutableList.of(
        {"header":{"appId":"myAppId1","clientIp":"10.22.63.3","createdDate":"2017-05-10T02:09:59.984Z"}}
        {"header":{"appId":"myAppId1","clientIp":"11.22.63.3","createdDate":"2017-05-11T02:09:59.984Z"}}
        {"header":{"appId":"myAppId1","clientIp":"12.22.63.3","createdDate":"2017-05-11T02:09:59.984Z"}}
    );
    JavaRDD<String> parallelize = jsc().parallelize(elements);
    return sqlContext.read().json(parallelize);
}

Answer 3

您可以使用 SharedSQLContext and SharedSparkSession that Spark uses for its own unit tests. Check my answer 作为示例。

使用 Spark 数据帧进行单元测试

Unit testing with Spark dataframes

unit-testing

scala

apache-spark

apache-spark-sql

spark-dataframe