如何在Spark数据集中显示或操作由Kryo编码的对象？

问题描述

说你有这个：

// assume we handle custom type
class MyObj(val i: Int,val j: String)
implicit val myObjEncoder = org.apache.spark.sql.Encoders.kryo[MyObj]
val ds = spark.createDataset(Seq(new MyObj(1,"a"),new MyObj(2,"b"),new MyObj(3,"c")))

做ds.show时，我得到：

+--------------------+
|               value|
+--------------------+
|[01 00 24 6C 69 6...|
|[01 00 24 6C 69 6...|
|[01 00 24 6C 69 6...|
+--------------------+

我知道这是因为内容被编码为内部Spark sql二进制表示形式。但是如何显示这样的解码内容？

+---+---+
| _1| _2|
+---+---+
|  1|  a|
|  2|  b|
|  3|  c|
+---+---+

---

UPDATE1

显示内容不是最大的问题，更重要的是在处理数据集时可能会导致问题，请考虑以下示例：

// continue with the above code
val ds2 = spark.createDataset(Seq(new MyObj(2,new MyObj(6,new MyObj(5,"c"))) 

ds.joinWith(ds2,ds("i") === ds2("i"),"inner") 
// this gives a Runtime error: org.apache.spark.sql.AnalysisException: Cannot resolve column name "i" among (value); 

这是否意味着kryo编码类型不能方便地执行类似joinWith的操作？然后我们如何处理Dataset上的自定义类型？

解决方法

以下内容对我有用，但似乎使用高级API进行低级（反序列化）工作。

这并不是说应该这样做，而是表明这是可能的。

我不知道为什么KryoDeserializer不将字节反序列化为字节来自的对象。就是这样。

您的类定义和我的类之间的主要区别是case，让我使用以下技巧。再说一次，不知道到底为什么能做到这一点。

scala> println(spark.version)
3.0.1

// Note that case keyword
case class MyObj(val i: Int,val j: String)
import org.apache.spark.sql.Encoders
implicit val myObjEncoder = Encoders.kryo[MyObj]
// myObjEncoder: org.apache.spark.sql.Encoder[MyObj] = class[value[0]: binary]

val ds = (Seq(new MyObj(1,"a"),new MyObj(2,"b"),new MyObj(3,"c"))).toDS
// the Kryo deserializer gives bytes
scala> ds.printSchema
root
 |-- value: binary (nullable = true)

scala> :type sc
org.apache.spark.SparkContext

// Let's deserialize the bytes into an object
import org.apache.spark.serializer.KryoSerializer
val ks = new KryoSerializer(sc.getConf)
// that begs for a generic UDF
val deserMyObj = udf { value: Array[Byte] => 
  import java.nio.ByteBuffer
  ks.newInstance.deserialize(ByteBuffer.wrap(value)).asInstanceOf[MyObj] }

val solution = ds.select(deserMyObj('value) as "result").select($"result.*")
scala> solution.show
+---+---+
|  i|  j|
+---+---+
|  1|  a|
|  2|  b|
|  3|  c|
+---+---+