web-dev-qa-db-ja.com

ApacheでDataFrameをDatasetに変換する方法Spark？

Scala非常に簡単にDataFrameをDatasetに変換できます。

case class Person(name:String, age:Long)
val df = ctx.read.json("/tmp/persons.json")
val ds = df.as[Person]
ds.printSchema

しかし、Javaバージョンでは、DataframeをDatasetに変換する方法がわかりませんか？

私の努力は：

DataFrame df = ctx.read().json(logFile);
Encoder<Person> encoder = new Encoder<>();
Dataset<Person> ds = new Dataset<Person>(ctx,df.logicalPlan(),encoder);
ds.printSchema();

しかし、コンパイラは言う：

Error:(23, 27) Java: org.Apache.spark.sql.Encoder is abstract; cannot be instantiated

編集済み（ソリューション）：

@ Leet-Falconの回答に基づくソリューション：

DataFrame df = ctx.read().json(logFile);
Encoder<Person> encoder = Encoders.bean(Person.class);
Dataset<Person> ds = new Dataset<Person>(ctx, df.logicalPlan(), encoder);
javaapache-sparkspark-dataframeapache-spark-dataset
14
Milad Khajavi

公式Spark docs Dataset API 以下で提案：

Javaエンコーダーは、エンコーダーの静的メソッドを呼び出すことで指定されます。

List<String> data = Arrays.asList("abc", "abc", "xyz");
Dataset<String> ds = context.createDataset(data, Encoders.STRING());

エンコーダーはタプルに構成できます：

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);

またはJava Beans Encoders＃bean ：

Encoders.bean(MyClass.class);
13
Leet-Falcon

ジェネリックDFをJavaのデータセットに変換する場合、以下のようなRowEncoderクラスを使用できます。

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()));
4
nomad