Подтвердить что ты не робот

Spark UDF с varargs

Является ли это единственным вариантом для перечисления всех аргументов до 22, как показано в документации?

https://spark.apache.org/docs/1.5.0/api/scala/index.html#org.apache.spark.sql.UDFRegistration

Кто-нибудь понял, как сделать что-то подобное этому?

sc.udf.register("func", (s: String*) => s......

(запись пользовательской функции concat, которая пропускает nulls, в то время было 2 аргумента)

Спасибо

Ответ 1

UDF не поддерживают varargs *, но вы можете передать произвольное количество столбцов, завернутых с помощью функции array:

import org.apache.spark.sql.functions.{udf, array, lit}

val myConcatFunc = (xs: Seq[Any], sep: String) => 
  xs.filter(_ != null).mkString(sep)

val myConcat = udf(myConcatFunc)

Пример использования:

val  df = sc.parallelize(Seq(
  (null, "a", "b", "c"), ("d", null, null, "e")
)).toDF("x1", "x2", "x3", "x4")

val cols = array($"x1", $"x2", $"x3", $"x4")
val sep = lit("-")

df.select(myConcat(cols, sep).alias("concatenated")).show

// +------------+
// |concatenated|
// +------------+
// |       a-b-c|
// |         d-e|
// +------------+

С сырым SQL:

df.registerTempTable("df")
sqlContext.udf.register("myConcat", myConcatFunc)

sqlContext.sql(
    "SELECT myConcat(array(x1, x2, x4), '.') AS concatenated FROM df"
).show

// +------------+
// |concatenated|
// +------------+
// |         a.c|
// |         d.e|
// +------------+

Несколько более сложный подход не использует UDF вообще и составляет выражения SQL с примерно чем-то примерно следующим образом:

import org.apache.spark.sql.functions._
import org.apache.spark.sql.Column

def myConcatExpr(sep: String, cols: Column*) = regexp_replace(concat(
  cols.foldLeft(lit(""))(
    (acc, c) => when(c.isNotNull, concat(acc, c, lit(sep))).otherwise(acc)
  )
), s"($sep)?$$", "") 

df.select(
  myConcatExpr("-", $"x1", $"x2", $"x3", $"x4").alias("concatenated")
).show
// +------------+
// |concatenated|
// +------------+
// |       a-b-c|
// |         d-e|
// +------------+

но я сомневаюсь, что это стоит усилий, если вы не работаете с PySpark.

* Если вы передадите функцию с помощью varargs, она будет удалена из всего синтаксического сахара, и в результате UDF ожидает ArrayType. Например:

def f(s: String*) = s.mkString
udf(f _)

будет иметь тип:

UserDefinedFunction(<function1>,StringType,List(ArrayType(StringType,true)))