访问 Spark 中的数组列

Question

Spark DataFrame 包含 Array[Double] 类型的列。当我尝试在 map() 函数中取回它时，它会抛出 ClassCastException 异常。以下 Scala 代码生成异常。

case class Dummy( x:Array[Double] )
val df = sqlContext.createDataFrame(Seq(Dummy(Array(1,2,3))))
val s = df.map( r => {
   val arr:Array[Double] = r.getAs[Array[Double]]("x")
   arr.sum
})
s.foreach(println)

例外是

java.lang.ClassCastException: scala.collection.mutable.WrappedArray$ofRef cannot be cast to [D
    at $iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$anonfun.apply(<console>:24)
    at $iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$anonfun.apply(<console>:23)
    at scala.collection.Iterator$$anon.next(Iterator.scala:328)
    at scala.collection.Iterator$class.foreach(Iterator.scala:727)
    at scala.collection.AbstractIterator.foreach(Iterator.scala:1157)
    at org.apache.spark.rdd.RDD$$anonfun$foreach$$anonfun$apply.apply(RDD.scala:890)
    at org.apache.spark.rdd.RDD$$anonfun$foreach$$anonfun$apply.apply(RDD.scala:890)
    at org.apache.spark.SparkContext$$anonfun$runJob.apply(SparkContext.scala:1848)
    at org.apache.spark.SparkContext$$anonfun$runJob.apply(SparkContext.scala:1848)
    at org.apache.spark.scheduler.ResultTask.runTask(ResultTask.scala:66)
    at org.apache.spark.scheduler.Task.run(Task.scala:88)
    at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:214)
    at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1142)
    at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617)
    at java.lang.Thread.run(Thread.java:745)

Cam 谁能解释一下为什么它不起作用？我应该怎么做呢？我正在使用 Spark 1.5.1 和 scala 2.10.6

谢谢

Answer 1

ArrayType 在 Row 中表示为 scala.collection.mutable.WrappedArray。您可以使用例如

提取它

val arr: Seq[Double] = r.getAs[Seq[Double]]("x")

或

val i: Int = ???
val arr = r.getSeq[Double](i)

甚至：

import scala.collection.mutable.WrappedArray

val arr: WrappedArray[Double] = r.getAs[WrappedArray[Double]]("x")

如果 DataFrame 相对较薄，那么模式匹配可能是更好的方法：

import org.apache.spark.sql.Row

df.rdd.map{case Row(x: Seq[Double]) => (x.toArray, x.sum)}

尽管您必须记住序列的类型是未选中的。

在 Spark >= 1.6 中你也可以使用 Dataset 如下：

df.select("x").as[Seq[Double]].rdd

Answer 2

这种方法也可以考虑：

  val tuples = Seq(("Abhishek", "Sengupta", Seq("MATH", "PHYSICS")))
  val dF = tuples.toDF("firstName", "lastName", "subjects")

  case class StudentInfo(fName: String, lName: String, subjects: Seq[String])

  val students = dF
    .collect()
    .map(row => StudentInfo(row.getString(0), row.getString(1), row.getSeq(2)))

  students.foreach(println)

访问 Spark 中的数组列

Access Array column in Spark

arrays

scala

apache-spark

apache-spark-sql

classcastexception