web-dev-qa-db-fra.com

Comment convertir DataFrame en Dataset dans Apache Spark en Java?

Je peux convertir DataFrame en Dataset en Scala très facile:

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

mais en Java je ne sais pas comment convertir Dataframe en Dataset? Une idée?

mon effort est:

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

mais le compilateur dit:

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

Modifié (solution):

solution basée sur les réponses de @ Leet-Falcon:

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
15
Milad Khajavi

Spark suggèrent dans API Dataset ce qui suit:

Les encodeurs Java sont spécifiés en appelant des méthodes statiques sur encodeurs.

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

Les encodeurs peuvent être composés en tuples:

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);

Ou construit à partir de Java Beans par Encoders # bean :

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

Si vous voulez convertir un DF générique en un Dataset en Java, vous pouvez utiliser la classe RowEncoder comme ci-dessous

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