是否可以将自定义 class 对象作为列值存储在 Spark 数据框中？

Question

我正在使用 LSH 算法处理重复文档检测问题。为了处理大规模数据，我们正在使用 spark。

我有大约 300K 个文档，每个文档至少有 100-200 个单词。在 spark 集群上，这些是我们在数据帧上执行的步骤。

运行用于将文本转换为标记的 Spark ML 管道。


pipeline = Pipeline().setStages([
        docAssembler,
        tokenizer,
        normalizer,
        stemmer,
        finisher,
        stopwordsRemover,
       # emptyRowsRemover
    ])
model = pipeline.fit(spark_df)
final_df = model.transform(spark_df)

对于每个文档，使用 datasketch(https://github.com/ekzhu/datasketch/) 库获取 MinHash 值并将其存储为新列。

final_df_limit.rdd.map(lambda x: (CalculateMinHash(x),)).toDF()

第二步失败，因为 spark 不允许我们将自定义类型值存储为列。值是 class MinHash 的一个对象。

有谁知道如何在数据帧中存储 Minhash 对象？

Answer 1

我认为可能无法在 DataFrames 中保存 python 个对象，但您可以通过多种方式规避此问题：

存储结果而不是对象（不确定 MinHash 是如何工作的，但如果值为 numerical/string，应该很容易从 class 对象中提取它）。
如果这不可行，因为您仍然需要对象的某些属性，您可能希望使用 Pickle 对其进行序列化，将序列化结果保存为编码字符串。这会强制您在每次要使用该对象时都进行反序列化。

final_df_limit.rdd.map(lambda x: base64.encodestring(pickle.dumps(CalculateMinHash(x),))).toDF()
替代方法可能是使用 Spark MinHash implementation，但这可能不适合您的所有要求。

是否可以将自定义 class 对象作为列值存储在 Spark 数据框中？

Is it possible to store custom class object in Spark Data Frame as a column value?

dataframe

pyspark

lsh