Spark Error: Unable to find encoder for type stored in a Dataset

Question

我在 Zeppelin 笔记本上使用 Spark，groupByKey() 似乎不起作用。

此代码：

df.groupByKey(row => row.getLong(0))
  .mapGroups((key, iterable) => println(key))

给我这个错误（可能是编译错误，因为它很快就会出现，而我正在处理的数据集非常大）：

error: Unable to find encoder for type stored in a Dataset.  Primitive types (Int, String, etc) and Product types (case classes) are supported by importing spark.implicits._  Support for serializing other types will be added in future releases.

我尝试添加一个案例 class 并将我的所有行映射到其中，但仍然出现相同的错误

import spark.implicits._

case class DFRow(profileId: Long, jobId: String, state: String)

def getDFRow(row: Row):DFRow = {
    return DFRow(row.getLong(row.fieldIndex("item0")),
                 row.getString(row.fieldIndex("item1")), 
                 row.getString(row.fieldIndex("item2")))
}

df.map(DFRow(_))
  .groupByKey(row => row.getLong(0))
  .mapGroups((key, iterable) => println(key))

我的 Dataframe 的架构是：

root
|-- item0: long (nullable = true)
|-- item1: string (nullable = true)
|-- item2: string (nullable = true)

Answer 1

您正在尝试 mapGroups 使用函数 (Long, Iterator[Row]) => Unit，但没有 Encoder 用于 Unit（并不是说有一个就有意义）。

在 Dataset API 的一般部分中，不关注 SQL DSL（DataFrame => DataFrame、DataFrame => RelationalGroupedDataset、RelationalGroupedDataset => DataFrame , RelationalGroupedDataset => RelationalGroupedDataset) 需要对输出值使用隐式或显式编码器。

由于 Row 对象没有预定义的编码器，因此使用 Dataset[Row] 和静态类型数据的方法设计没有多大意义。根据经验，您应该始终首先转换为静态类型的变体：

df.as[(Long, String, String)]

另见

Spark Error: Unable to find encoder for type stored in a Dataset

Spark Error: Unable to find encoder for type stored in a Dataset

scala

apache-spark

apache-spark-dataset

apache-spark-encoders