[[196259]]

在復(fù)雜業(yè)務(wù)邏輯中，我們經(jīng)常會(huì)用到Spark的UDF，當(dāng)一個(gè)UDF需要傳入多列的內(nèi)容并進(jìn)行處理時(shí)，UDF的傳參該怎么做呢? 下面通過變長(zhǎng)參數(shù)引出，逐一介紹三種可行方法以及一些不可行的嘗試...

引子

變長(zhǎng)參數(shù)對(duì)于我們來說并不陌生，在Java里我們這么寫

public void varArgs(String... args) 

在Scala里我們這么寫

def varArgs(cols: String*): String 

而在Spark里，很多時(shí)候我們有自己的業(yè)務(wù)邏輯，現(xiàn)成的functions滿足不了我們的需求，而當(dāng)我們需要處理同一行的多個(gè)列，將其經(jīng)過我們自己的邏輯合并為一個(gè)列時(shí)，變長(zhǎng)參數(shù)及其變種實(shí)現(xiàn)可以給我們提供幫助。

但是在Spark UDF里我們是 無法使用變長(zhǎng)參數(shù)傳值 的，但之所以本文以變長(zhǎng)參數(shù)開頭，是因?yàn)樾枨笃鹩谒?，而通過對(duì)它進(jìn)行變換，我們可以使用變長(zhǎng)參數(shù)或Seq類型來接收參數(shù)。

下面通過Spark-Shell來做演示，以下三種方法都可以做到多列傳參，分別是

• 變長(zhǎng)參數(shù)(接受array類型)
• Seq類型參數(shù)(接受array類型)
• Row類型參數(shù)(接受struct類型)

變長(zhǎng)參數(shù)類型的UDF

定義UDF方法

def myConcatVarargs(sep: String, cols: String*): String = cols.filter(_ != null).mkString(sep) 

注冊(cè)UDF函數(shù)

由于變長(zhǎng)參數(shù)只能通過方法定義，所以這里使用部分應(yīng)用函數(shù)來轉(zhuǎn)換

val myConcatVarargsUDF = udf(myConcatVarargs _) 

可以看到該UDF的定義如下

UserDefinedFunction(<function2>,StringType,List(StringType, ArrayType(StringType,true))) 

也即變長(zhǎng)參數(shù)轉(zhuǎn)換為了ArrayType，而且函數(shù)是只包括兩個(gè)參數(shù)，所以變長(zhǎng)參數(shù)列表由此也可看出無法使用的。

變長(zhǎng)參數(shù)列表傳值

我們構(gòu)造一個(gè)DataFrame如下

val df = sc.parallelize(Array(("aa", "bb", "cc"),("dd","ee","ff"))).toDF("A", "B", "C") 

然后直接傳入多個(gè)String類型的列到myConcatVarargsUDF

df.select(myConcatVarargsUDF(lit("-"), col("A"), col("B"), col("C"))).show 

結(jié)果出現(xiàn)如下報(bào)錯(cuò)

java.lang.ClassCastException: anonfun$1 cannot be cast to scala.Function4 

由此可以看出，使用變長(zhǎng)參數(shù)列表的方式Spark是不支持的，它會(huì)被識(shí)別為四個(gè)參數(shù)的函數(shù)，而UDF確是被定義為兩個(gè)參數(shù)而不是四個(gè)參數(shù)的函數(shù)!

變換：使用array()轉(zhuǎn)換做第二個(gè)參數(shù)

我們使用Spark提供的array() function來轉(zhuǎn)換參數(shù)為Array類型

df.select(myConcatVarargsUDF(lit("-"), array(col("A"), col("B"), col("C")))).show 

結(jié)果如下

+-------------------+ 
|UDF(-,array(A,B,C))| 
+-------------------+ 
|           aa-bb-cc| 
|           dd-ee-ff| 
+-------------------+ 

由此可以看出，使用變長(zhǎng)參數(shù)構(gòu)造的UDF方法，可以通過構(gòu)造Array的方式傳參，來達(dá)到多列合并的目的。

使用Seq類型參數(shù)的UDF

上面提到，變長(zhǎng)參數(shù)***被轉(zhuǎn)為ArrayType，那不禁要想我們?yōu)槁锊皇褂肁rray或List類型呢?

實(shí)際上在UDF里，類型并不是我們可以隨意定義的，比如使用List和Array就是不行的，我們自己定義的類型也是不行的，因?yàn)檫@涉及到數(shù)據(jù)的序列化和反序列化。

以Array/List為示例的錯(cuò)誤

下面以Array類型為示例

定義函數(shù)

val myConcatArray = (cols: Array[String], sep: String) => cols.filter(_ != null).mkString(sep) 

注冊(cè)UDF

val myConcatArrayUDF = udf(myConcatArray) 

可以看到給出的UDF簽名是

UserDefinedFunction(<function2>,StringType,List()) 

應(yīng)用UDF

df.select(myConcatArrayUDF(array(col("A"), col("B"), col("C")), lit("-"))).show 

會(huì)發(fā)現(xiàn)報(bào)錯(cuò)

scala.collection.mutable.WrappedArray$ofRef cannot be cast to [Ljava.lang.String 

同樣List作為參數(shù)類型也會(huì)報(bào)錯(cuò)，因?yàn)榉葱蛄谢臅r(shí)候無法構(gòu)建對(duì)象，所以List和Array是無法直接作為UDF的參數(shù)類型的

以Seq做參數(shù)類型

定義調(diào)用如下

val myConcatSeq = (cols: Seq[Any], sep: String) => cols.filter(_ != null).mkString(sep)  
val myConcatSeqUDF = udf(myConcatSeq)  
df.select(myConcatSeqUDF(array(col("A"), col("B"), col("C")), lit("-"))).show 

結(jié)果如下

+-------------------+ 
|UDF(array(A,B,C),-)| 
+-------------------+ 
|           aa-bb-cc| 
|           dd-ee-ff| 
+-------------------+ 

使用Row類型參數(shù)的UDF

我們可以使用Spark functions里struct方法構(gòu)造結(jié)構(gòu)體類型傳參，然后用Row類型接UDF的參數(shù)，以達(dá)到多列傳值的目的。

def myConcatRow: ((Row, String) => String) = (row, sep) => row.toSeq.filter(_ != null).mkString(sep)  
val myConcatRowUDF = udf(myConcatRow)  
df.select(myConcatRowUDF(struct(col("A"), col("B"), col("C")), lit("-"))).show 

可以看到UDF的簽名如下

UserDefinedFunction(<function2>,StringType,List()) 

結(jié)果如下

+--------------------+ 
|UDF(struct(A,B,C),-)| 
+--------------------+ 
|            aa-bb-cc| 
|            dd-ee-ff| 
+--------------------+ 

使用Row類型還可以使用模式提取，用起來會(huì)更方便

row match { 
  case Row(aa:String, bb:Int) => 
} 

***

對(duì)于上面三種方法，變長(zhǎng)參數(shù)和Seq類型參數(shù)都需要array的函數(shù)包裝為ArrayType，而使用Row類型的話，則需要struct函數(shù)構(gòu)建結(jié)構(gòu)體類型，其實(shí)都是為了數(shù)據(jù)的序列化和反序列化。三種方法中，Row的方式更靈活可靠，而且支持不同類型并且可以明確使用模式提取，用起來相當(dāng)方便。

而由此我們也可以看出，UDF不支持List和Array類型的參數(shù)，同時(shí) 自定義參數(shù)類型 如果沒有混合Spark的特質(zhì)實(shí)現(xiàn)序列化和反序列化，那么在UDF里也是 無法用作參數(shù)類型 的。當(dāng)然，Seq類型是可以 的，可以接多列的數(shù)組傳值。

此外，我們也可以使用柯里化來達(dá)到多列傳參的目的，只是不同參數(shù)個(gè)數(shù)需要定義不同的UDF了。