如何从自定义类人员创建数据集

Question

我试图用Java创建一个Dataset，所以我写了以下代码：

public Dataset createDataset(){
  List<Person> list = new ArrayList<>();
  list.add(new Person("name", 10, 10.0));
  Dataset<Person> dateset = sqlContext.createDataset(list, Encoders.bean(Person.class));
  return dataset;
}

Person类是内部类。

但是，Spark 会引发以下异常：

org.apache.spark.sql.AnalysisException: Unable to generate an encoder for inner class `....` without access to the scope that this class was defined in. Try moving this class out of its parent class.;
at org.apache.spark.sql.catalyst.encoders.ExpressionEncoder$$anonfun$2.applyOrElse(ExpressionEncoder.scala:264)
at org.apache.spark.sql.catalyst.encoders.ExpressionEncoder$$anonfun$2.applyOrElse(ExpressionEncoder.scala:260)
at org.apache.spark.sql.catalyst.trees.TreeNode$$anonfun$3.apply(TreeNode.scala:243)
at org.apache.spark.sql.catalyst.trees.TreeNode$$anonfun$3.apply(TreeNode.scala:243)
at org.apache.spark.sql.catalyst.trees.CurrentOrigin$.withOrigin(TreeNode.scala:53)
at org.apache.spark.sql.catalyst.trees.TreeNode.transformDown(TreeNode.scala:242)

如何正确操作？

Answer 1

tl;dr （仅在 Spark shell 中） 首先定义您的案例类，一旦定义它们，就使用它们。在Spark/Scala应用程序中使用案例类应该可以工作。

在 Spark shell 的 2.0.1 中，您应该首先定义案例类，然后才访问它们以创建Dataset。

$ ./bin/spark-shell --version
Welcome to
      ____              __
     / __/__  ___ _____/ /__
    _ / _ / _ `/ __/  '_/
   /___/ .__/_,_/_/ /_/_   version 2.1.0-SNAPSHOT
      /_/
Using Scala version 2.11.8, Java HotSpot(TM) 64-Bit Server VM, 1.8.0_102
Branch master
Compiled by user jacek on 2016-10-25T04:20:04Z
Revision 483c37c581fedc64b218e294ecde1a7bb4b2af9c
Url https://github.com/apache/spark.git
Type --help for more information.
$ ./bin/spark-shell
scala> :pa
// Entering paste mode (ctrl-D to finish)
case class Person(id: Long)
Seq(Person(0)).toDS // <-- this won't work
// Exiting paste mode, now interpreting.
<console>:15: error: value toDS is not a member of Seq[Person]
       Seq(Person(0)).toDS // <-- it won't work
                      ^
scala> case class Person(id: Long)
defined class Person
scala> // the following implicit conversion *will* work
scala> Seq(Person(0)).toDS
res1: org.apache.spark.sql.Dataset[Person] = [id: bigint]

---

在 43ebf7a9cbd70d6af75e140a6fc91bf0ffc2b877 提交（3 月 21 日的 Spark 2.0.0-SNAPSHOT）中，添加了解决方案以解决此问题。

在 Scala REPL 中，我不得不添加OuterScopes.addOuterScope(this)，同时:paste完整的代码片段，如下所示：

scala> :pa
// Entering paste mode (ctrl-D to finish)
import sqlContext.implicits._
case class Token(name: String, productId: Int, score: Double)
val data = Token("aaa", 100, 0.12) ::
  Token("aaa", 200, 0.29) ::
  Token("bbb", 200, 0.53) ::
  Token("bbb", 300, 0.42) :: Nil
org.apache.spark.sql.catalyst.encoders.OuterScopes.addOuterScope(this)
val ds = data.toDS

Answer 2

解决方案是在方法的开头添加这段代码：

org.apache.spark.sql.catalyst.encoders.OuterScopes.addOuterScope(this);

Answer 3

对于 scala 中的类似问题，我的解决方案是完全按照 AnalysisException 的建议进行操作。将事例类移出其父类。例如，我在 Streaming_Base.scala 中有类似以下内容的内容：

abstract class Streaming_Base {
    case class EventBean(id:String, command:String, recordType:String)
    ...
}

我将其更改为以下内容：

case class EventBean(id:String, command:String, recordType:String)
abstract class Streaming_Base {        
    ...
}