Как преобразовать DataFrame в Dataset в Apache Spark на Java?
Я могу преобразовать DataFrame в Dataset в Scala очень легко:
case class Person(name:String, age:Long)
val df = ctx.read.json("/tmp/persons.json")
val ds = df.as[Person]
ds.printSchema
но в версии Java я не знаю, как преобразовать Dataframe в Dataset? Есть Идеи?
мой опыт:
DataFrame df = ctx.read().json(logFile);
Encoder<Person> encoder = new Encoder<>();
Dataset<Person> ds = new Dataset<Person>(ctx,df.logicalPlan(),encoder);
ds.printSchema();
но компилятор сказал:
Error:(23, 27) java: org.apache.spark.sql.Encoder is abstract; cannot be instantiated
Редактировать(Решения):
решение на основе @Leet-Falcon ответы:
DataFrame df = ctx.read().json(logFile);
Encoder<Person> encoder = Encoders.bean(Person.class);
Dataset<Person> ds = new Dataset<Person>(ctx, df.logicalPlan(), encoder);
2 ответов
официальные документы Spark предлагают в API набора данных следующее:
кодеры Java задаются путем вызова статических методов на энкодеры.
List<String> data = Arrays.asList("abc", "abc", "xyz");
Dataset<String> ds = context.createDataset(data, Encoders.STRING());
кодировщики можно составить в кортежи:
Encoder<Tuple2<Integer, String>> encoder2 = Encoders.tuple(Encoders.INT(), Encoders.STRING());
List<Tuple2<Integer, String>> data2 = Arrays.asList(new scala.Tuple2(1, "a");
Dataset<Tuple2<Integer, String>> ds2 = context.createDataset(data2, encoder2);
или построенный из Java Beans by кодировщики#bean:
Encoders.bean(MyClass.class);
Если вы хотите преобразовать общий DF в набор данных в Java, вы можете использовать класс RowEncoder, как показано ниже
DataFrame df = sql.read().json(sc.parallelize(ImmutableList.of(
"{\"id\": 0, \"phoneNumber\": 109, \"zip\": \"94102\"}"
)));
Dataset<Row> dataset = df.as(RowEncoder$.MODULE$.apply(df.schema()));