scala - 如何更改 Spark 数据集上的架构

Question

当我在 Spark 2 中检索数据集时，使用 select 语句，底层列继承了查询列的数据类型。

val ds1 = spark.sql("select 1 as a, 2 as b, 'abd' as c")

ds1.printSchema()
root
 |-- a: integer (nullable = false)
 |-- b: integer (nullable = false)
 |-- c: string (nullable = false)

现在，如果我将其转换为案例类，它将正确转换值，但底层模式仍然是错误的。

case class abc(a: Double, b: Double, c: String)
val ds2 = ds1.as[abc]
ds2.printSchema()
root
 |-- a: integer (nullable = false)
 |-- b: integer (nullable = false)
 |-- c: string (nullable = false)

ds2.collect
res18: Array[abc] = Array(abc(1.0,2.0,abd))

我“应该”能够在创建第二个数据集时指定要使用的编码器，但 scala 似乎忽略了这个参数(这是 BUG 吗？):

val abc_enc = org.apache.spark.sql.Encoders.product[abc]

val ds2 = ds1.as[abc](abc_enc)

ds2.printSchema
root
 |-- a: integer (nullable = false)
 |-- b: integer (nullable = false)
 |-- c: string (nullable = false)

所以我能看到的唯一方法是使用 createDataset，无需非常复杂的映射即可简单地执行此操作，但这需要对底层对象进行收集，因此它并不理想。

val ds2 = spark.createDataset(ds1.as[abc].collect)

---

Answer 1

这是 Spark API 中的一个未解决问题(查看此票证 SPARK-17694)

所以您需要做的是进行额外的显式转换。这样的事情应该有效:

ds1.as[abc].map(x => x : abc)