Spark 2 期权数据集

Question

我有一个字符串数据集，我使用一个可能会失败的函数（例如，如果我尝试解析的数据不可用）将其解析为一个案例的数据集 class。出于这个原因，函数 returns 一个 Option (Scala)。所以我最终得到了 Option[MyCaseClass].

的数据集

Spark 似乎接受该数据集并对其进行处理，但如果解析失败则不返回 None 而是 returns 我 Some(MyCaseClass(null, null...)) 。

这是一个代码示例：

recordsDs
  .map { record =>
    val maybeArticle = unmarshallArticle(record)
    if (maybeArticle.isEmpty) {
      println(s"Could not parse record $record into an article.")
    }
    maybeArticle
  }
  .filter(_.isDefined)
  .map(_.get)
  .collect().toList // Always returns a List(Some(Article(null, null), Some(Article...

这是一个说明案例的笔记本https://databricks-prod-cloudfront.cloud.databricks.com/public/4027ec902e239c93eaaa8714f173bcfc/4480125715694487/1289561535151709/7956941984681624/latest.html

我的猜测是，在序列化然后反序列化 Option 值时，Spark 使用 Some() 构造函数而不是检查 Option 是 Some 还是 None。

我显然可以围绕我的对象创建一个包装器，例如 MaybeArticle(article: Option[Article]) ，但我想知道 Spark 是否可以正确处理 Options 的数据集？

Answer 1

我认为解决方案是使用 flatMap。这是一个非常愚蠢的例子：

scala> val ds = Seq(("a1"), ("a2"), ("a4"), ("b1"), ("b2")).toDS
ds: org.apache.spark.sql.Dataset[String] = [value: string]

scala> ds.show 
+-----+        
|value|        
+-----+        
|   a1|        
|   a2|        
|   a4|        
|   b1|        
|   b2|        
+-----+        

scala> val ds2 = ds.flatMap{x => if (x.contains("a")) Some(x) else None}
ds2: org.apache.spark.sql.Dataset[String] = [value: string]

scala> ds2.show
+-----+
|value|
+-----+
|   a1|
|   a2|
|   a4|
+-----+

之所以可行，是因为 Some 和 None 就像可以使用 flatMap 解压的集合（其中 None 元素被省略）。

Spark 2 期权数据集

Spark 2 Datasets of Options

scala

apache-spark

scala-option

spark-dataframe