Question

在以下代码段中，tryParquet函数尝试从Parquet文件加载数据集（如果存在）。如果没有，它会计算，持久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。导入spark.implicits支持原始类型（Int，String等）和产品类型（case类）。

将来的版本中将添加对序列化其他类型的支持。

案例成功（df）=＆gt; df.as [T]

通过使tryParquet强制转换df以返回无类型DataFrame并让调用者强制转换为所需的构造函数，可以避免此问题。但是，在我们希望函数在内部管理类型的情况下是否存在任何解决方案？

Answer 1

在类型参数中使用Encoder看起来是可能的：

import org.apache.spark.sql.Encoder

def tryParquet[T <: CustomRow: Encoder](...)

这样编译器就可以证明df.as[T]在构造对象时提供了一个编码器。

Generic T as Spark Dataset [T]构造函数

1 个答案: