带有可变参数的 Spark UDF

Question

如文档中所示，列出最多 22 个参数是唯一的选择吗？

https://spark.apache.org/docs/1.5.0/api/scala/index.html#org.apache.spark.sql.UDFRegistration

有人知道如何做类似的事情吗？

sc.udf.register("func", (s: String*) => s......

（编写跳过空值的自定义 concat 函数，当时必须有 2 个参数）

谢谢

Answer 1

UDF 不支持 varargs* 但您可以使用 array 函数传递任意数量的列：

import org.apache.spark.sql.functions.{udf, array, lit}

val myConcatFunc = (xs: Seq[Any], sep: String) => 
  xs.filter(_ != null).mkString(sep)

val myConcat = udf(myConcatFunc)

用法示例：

val  df = sc.parallelize(Seq(
  (null, "a", "b", "c"), ("d", null, null, "e")
)).toDF("x1", "x2", "x3", "x4")

val cols = array($"x1", $"x2", $"x3", $"x4")
val sep = lit("-")

df.select(myConcat(cols, sep).alias("concatenated")).show

// +------------+
// |concatenated|
// +------------+
// |       a-b-c|
// |         d-e|
// +------------+

原始 SQL:

df.registerTempTable("df")
sqlContext.udf.register("myConcat", myConcatFunc)

sqlContext.sql(
    "SELECT myConcat(array(x1, x2, x4), '.') AS concatenated FROM df"
).show

// +------------+
// |concatenated|
// +------------+
// |         a.c|
// |         d.e|
// +------------+

稍微复杂一点的方法是根本不使用 UDF 并用大致如下的内容组成 SQL 表达式：

import org.apache.spark.sql.functions._
import org.apache.spark.sql.Column

def myConcatExpr(sep: String, cols: Column*) = regexp_replace(concat(
  cols.foldLeft(lit(""))(
    (acc, c) => when(c.isNotNull, concat(acc, c, lit(sep))).otherwise(acc)
  )
), s"($sep)?$$", "") 

df.select(
  myConcatExpr("-", $"x1", $"x2", $"x3", $"x4").alias("concatenated")
).show
// +------------+
// |concatenated|
// +------------+
// |       a-b-c|
// |         d-e|
// +------------+

但我怀疑除非您使用 PySpark，否则这样做是否值得。

* 如果您使用可变参数传递一个函数，它将从所有语法糖中剥离，并且生成的 UDF 将期望一个 ArrayType。例如：

def f(s: String*) = s.mkString
udf(f _)

将是类型：

UserDefinedFunction(<function1>,StringType,List(ArrayType(StringType,true)))

带有可变参数的 Spark UDF

Spark UDF with varargs

scala

apache-spark

udf