如何创建地图数据集？

Question

我正在使用 Spark 2.2，但在 Map 的 Seq 上尝试调用 spark.createDataset 时遇到了麻烦运行。

我的 Spark Shell 会话的代码和输出如下：

// createDataSet on Seq[T] where T = Int works
scala> spark.createDataset(Seq(1, 2, 3)).collect
res0: Array[Int] = Array(1, 2, 3)

scala> spark.createDataset(Seq(Map(1 -> 2))).collect
<console>:24: 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.
       spark.createDataset(Seq(Map(1 -> 2))).collect
                          ^

// createDataSet on a custom case class containing Map works
scala> case class MapHolder(m: Map[Int, Int])
defined class MapHolder

scala> spark.createDataset(Seq(MapHolder(Map(1 -> 2)))).collect
res2: Array[MapHolder] = Array(MapHolder(Map(1 -> 2)))

我试过 import spark.implicits._，但我相当确定这是由 Spark shell 会话隐式导入的。

这是当前编码器未涵盖的情况吗？

Answer 1

2.2 中没有涉及，但很容易解决。您可以使用 ExpressionEncoder 添加必需的 Encoder，或者明确地：

import org.apache.spark.sql.catalyst.encoders.ExpressionEncoder  
import org.apache.spark.sql.Encoder

spark
  .createDataset(Seq(Map(1 -> 2)))(ExpressionEncoder(): Encoder[Map[Int, Int]])

或implicitly:

implicit def mapIntIntEncoder: Encoder[Map[Int, Int]] = ExpressionEncoder()
spark.createDataset(Seq(Map(1 -> 2)))

Answer 2

仅供参考，上面的表达式仅适用于 Spark 2.3（如果我没记错的话，从 this commit 开始）。

scala> spark.version
res0: String = 2.3.0

scala> spark.createDataset(Seq(Map(1 -> 2))).collect
res1: Array[scala.collection.immutable.Map[Int,Int]] = Array(Map(1 -> 2))

我认为这是因为 newMapEncoder 现在是 spark.implicits 的一部分。

scala> :implicits
...
  implicit def newMapEncoder[T <: scala.collection.Map[_, _]](implicit evidence: reflect.runtime.universe.TypeTag[T]): org.apache.spark.sql.Encoder[T]

您可以 "disable" 通过使用以下技巧隐式并尝试上面的表达式（这将导致错误）。

trait ThatWasABadIdea
implicit def newMapEncoder(ack: ThatWasABadIdea) = ack

scala> spark.createDataset(Seq(Map(1 -> 2))).collect
<console>:26: 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.
       spark.createDataset(Seq(Map(1 -> 2))).collect
                          ^

如何创建地图数据集？

How to create a Dataset of Maps?

scala

apache-spark

apache-spark-sql

apache-spark-dataset

apache-spark-encoders