Scala 火花聚合器工作时遇到问题

我想在Scala Spark中试用聚合器，但我似乎无法让它们同时使用

select

函数和

groupBy/agg

函数工作（在我当前的实现中，

agg

函数无法编译）。我的聚合器写在下面，应该是不言自明的

import org.apache.spark.sql.expressions.Aggregator
import org.apache.spark.sql.{Encoder, Encoders}

/** Stores the number of true counts (tc) and false counts (fc) */
case class Counts(var tc: Long, var fc: Long)

/** Count the number of true and false occurances of a function */
class BooleanCounter[A](f: A => Boolean) extends Aggregator[A, Counts, Counts] with Serializable {
  // Initialize both counts to zero
  def zero: Counts = Counts(0L, 0L) 
  // Sum counts for intermediate value and new value
  def reduce(acc: Counts, other: A): Counts = { 
    if (f(other)) acc.tc += 1 else acc.fc += 1
    acc 
  }
  // Sum counts for intermediate values
  def merge(acc1: Counts, acc2: Counts): Counts = { 
    acc1.tc += acc2.tc
    acc1.fc += acc2.fc
    acc1
  }
  // Return results
  def finish(acc: Counts): Counts = acc 
  // Encoder for intermediate value type
  def bufferEncoder: Encoder[Counts] = Encoders.product[Counts]
  // Encoder for return type
  def outputEncoder: Encoder[Counts] = Encoders.product[Counts]
}

下面是我的测试代码

val ds: Dataset[Employee] = Seq(
  Employee("John", 110),
  Employee("Paul", 100),
  Employee("George", 0), 
  Employee("Ringo", 80) 
).toDS()

val salaryCounter = new BooleanCounter[Employee]((r: Employee) => r.salary < 10).toColumn
// Usage works fine 
ds.select(salaryCounter).show()
// Causes an error
ds.groupBy($"name").agg(salaryCounter).show()

Databricks有一个相当复杂的，但似乎是Spark 2.3。还有一个较旧的教程使用了Spark 1.6中的实验功能

您错误地混合了“静态类型”和“动态类型”API。要使用前一个版本，您应该在

KeyValueGroupedDataset

上调用

agg

，而不是

RelationalGroupedDataset

：

ds.groupByKey(_.name).agg(salaryCounter)

---

操作：

ds.groupBy（$“name”）.agg（salaryCounter）.show（）

？早期聚合的输出只返回一个包含2列（tc、fc）和1行的数据集。此操作的期望输出是什么？当应用于

ds.groupBy（$“name”）

时，UDAF显然不起作用，因为在这种情况下提供给UDAF的输入不是

Employee

，这将理想地生成一个数据集，其中每行对应一个名称，列（tc，fc）每个姓名对应的员工人数分别低于或高于10美元。UDAF不会像您所说的那样应用于

ds.groupBy（$“name”）

，而是传递给

.agg

函数。请参阅我链接的教程，因为它们有一些似乎有效的示例用法。

ds.groupByKey(_.name).agg(salaryCounter)