在以下片段中,如果存在tryParquet
函数,则可以从Parquet文件加载数据集。如果没有,它将计算,持续并返回提供的数据集计划:
import scala.util.{Try, Success, Failure}
import org.apache.spark.sql.SparkSession
import org.apache.spark.sql.Dataset
sealed trait CustomRow
case class MyRow(
id: Int,
name: String
) extends CustomRow
val ds: Dataset[MyRow] =
Seq((1, "foo"),
(2, "bar"),
(3, "baz")).toDF("id", "name").as[MyRow]
def tryParquet[T <: CustomRow](session: SparkSession, path: String, target: Dataset[T]): Dataset[T] =
Try(session.read.parquet(path)) match {
case Success(df) => df.as[T] // <---- compile error here
case Failure(_) => {
target.write.parquet(path)
target
}
}
val readyDS: Dataset[MyRow] =
tryParquet(spark, "/path/to/file.parq", ds)
但是,这会在df.as[T]
上产生编译错误:
无法找到存储在数据集中的类型的编码器。原始类型(INT,字符串等)和产品类型(案例类)通过导入Spark._
来支持支持其他类型的支持将在以后的版本中添加。
案例成功(df)=> df.as [t]
可以通过使tryParquet
铸造df
返回未型DataFrame
并让呼叫者施放到所需的构造函数来解决此问题。但是,我们是否希望该类型由函数内部管理?
在类型参数中使用Encoder
看起来可能是可能的:
import org.apache.spark.sql.Encoder
def tryParquet[T <: CustomRow: Encoder](...)
这样,编译器可以证明df.as[T]
在构造对象时提供编码器。