我想为DataSet中的Row类型编写一个编码器,用于我正在进行的映射操作。本质上,我不明白如何编写编码器。
以下是地图操作的示例:
在下面的示例中,不是返回数据集
Dataset<String> output = dataset1.flatMap(new FlatMapFunction<Row, String>() {
@Override
public Iterator<String> call(Row row) throws Exception {
ArrayList<String> obj = //some map operation
return obj.iterator();
}
},Encoders.STRING());
我明白,而不是字符串编码器需要编写如下:
Encoder<Row> encoder = new Encoder<Row>() {
@Override
public StructType schema() {
return join.schema();
//return null;
}
@Override
public ClassTag<Row> clsTag() {
return null;
}
};
但是,我不理解编码器中的clsTag(),我正在尝试找到一个可以演示类似内容的运行示例(即行类型的编码器)
编辑-这不是提到的问题的副本:当试图将数据帧行映射到更新的行时编码器错误,因为答案谈到在Spark 2. x中使用Spark 1.x(我没有这样做),我也在寻找Row类的编码器,而不是解决错误。最后,我在Java中寻找解决方案,而不是在Scala中。
答案是使用RowEncoder和使用StructType的数据集架构。
下面是使用数据集的平面映射操作的工作示例:
StructType structType = new StructType();
structType = structType.add("id1", DataTypes.LongType, false);
structType = structType.add("id2", DataTypes.LongType, false);
ExpressionEncoder<Row> encoder = RowEncoder.apply(structType);
Dataset<Row> output = join.flatMap(new FlatMapFunction<Row, Row>() {
@Override
public Iterator<Row> call(Row row) throws Exception {
// a static map operation to demonstrate
List<Object> data = new ArrayList<>();
data.add(1l);
data.add(2l);
ArrayList<Row> list = new ArrayList<>();
list.add(RowFactory.create(data.toArray()));
return list.iterator();
}
}, encoder);
我也有同样的问题…Encoders. kryo(Row.class))
为我工作。
作为奖励,Apache Spark调优文档引用了Kryo it,因为它的序列化速度“通常高达10倍”:
https://spark.apache.org/docs/latest/tuning.html