将ADT /密封性状层次结构编码为Spark DataSet列 [英] Encode an ADT / sealed trait hierarchy into Spark DataSet column

问题描述

如果我想在Spark DataSet 列，什么是最好的编码策略？

例如，如果我有一个ADT，叶类型存储不同类型的数据：

  sealed trait职业
案例对象软件工程师扩展职业
案例类向导（级别：Int）扩展职业
案例类其他（description：String）extends职业
  

最好的方法是构建一个：

  org.apache.spark.sql。 DataSet [职业] 
  

解决方案

/ strong>现在没有很好的解决方案，并且给出了Spark SQL / Dataset 实现，在可预见的将来不太可能有一个。

您可以使用通用的 kryo 或 java 编码器

  val职业：Seq [职业] = Seq（SoftwareEngineer，向导（1），其他（foo））
 spark.createDataset（职业）（org.apache。 spark.sql.Encoders.kryo [职业]）
  

但在实践中几乎没有用。 >

UDT API现在提供了另一种可能的方法（Spark 1.6 ， 2.0 ， 2.1-SNAPSHOT ）它是私有的，需要相当多的样板代码（您可以检查 oasml.linalg.VectorUDT 查看示例实现）。

If I want to store an Algebraic Data Type (ADT) (ie a Scala sealed trait hierarchy) within a Spark DataSet column, what is the best encoding strategy?

For example, if I have an ADT where the leaf types store different kinds of data:

sealed trait Occupation
case object SoftwareEngineer extends Occupation
case class Wizard(level: Int) extends Occupation
case class Other(description: String) extends Occupation

Whats the best way to construct a:

org.apache.spark.sql.DataSet[Occupation]

解决方案

TL;DR There is no good solution right now, and given Spark SQL / Dataset implementation, it is unlikely there will be one in the foreseeable future.

You can use generic kryo or java encoder

val occupation: Seq[Occupation] = Seq(SoftwareEngineer, Wizard(1), Other("foo"))
spark.createDataset(occupation)(org.apache.spark.sql.Encoders.kryo[Occupation])

but is hardly useful in practice.

UDT API provides another possible approach as for now (Spark 1.6, 2.0, 2.1-SNAPSHOT) it is private and requires quite a lot boilerplate code (you can check o.a.s.ml.linalg.VectorUDT to see example implementation).

这篇关于将ADT /密封性状层次结构编码为Spark DataSet列的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！