我可以 return 来自 apache spark UDF 的 Tuple2（在 java 中）吗？

Question

我需要一个 UDF2，它采用两个参数作为输入，对应于类型为 String 和 mllib.linalg.Vector 的两个 Dataframe 列和 return 一个 Tuple2。这可行吗？如果是，我该如何注册这个 udf()？

hiveContext.udf().register("getItemData", get_item_data, WHAT GOES HERE FOR RETURN TYPE?);

udf定义如下：

UDF2<String, org.apache.spark.mllib.linalg.Vector, Tuple2<String, org.apache.spark.mllib.linalg.Vector>> get_item_data =
            (String id, org.apache.spark.mllib.linalg.Vector features) -> {
        return new Tuple2<>(id, features);
    };

Answer 1

有一个schema可以定义如下：

import org.apache.spark.sql.types.DataType;
import org.apache.spark.sql.types.DataTypes;
import org.apache.spark.mllib.linalg.VectorUDT;

List<StructField> fields = new ArrayList<>();
fields.add(DataTypes.createStructField("id", DataTypes.StringType, false));
fields.add(DataTypes.createStructField("features", new VectorUDT(), false));
DataType schema = DataTypes.createStructType(fields);

但如果您只需要一个 struct 而无需任何额外处理 org.apache.spark.sql.functions.struct 应该可以解决问题：

df.select(struct(col("id"), col("features"));