scala spark UDF ClassCastException:WrappedArray$ofRef不能强制转换为[Lscala.Tuple2]

因此，我执行必要的导入等

import org.apache.spark.sql.functions.udf
import org.apache.spark.sql.types._
import spark.implicits._

然后定义一些拉长点

val london = (1.0, 1.0)
val suburbia = (2.0, 2.0)
val southampton = (3.0, 3.0)  
val york = (4.0, 4.0)  

然后，我创建一个类似这样的spark数据帧，并检查它是否工作：

val exampleDF = Seq((List(london,suburbia),List(southampton,york)),
    (List(york,london),List(southampton,suburbia))).toDF("AR1","AR2")
exampleDF.show()

数据帧由以下类型组成

DataFrame=[AR1:array，AR2:array]

我创建一个函数来创建点的组合

// function to do what I want
val latlongexplode =  (x: Array[(Double,Double)], y: Array[(Double,Double)]) => {
 for (a <- x; b <-y) yield (a,b)
}

确实如此。但是在我用这个函数创建了一个自定义项之后

// declare function into a Spark UDF
val latlongexplodeUDF = udf (latlongexplode) 

当我尝试在上面创建的spark数据框中使用它时，如下所示：

exampleDF.withColumn("latlongexplode", latlongexplodeUDF($"AR1",$"AR2")).show(false)

我得到一个很长的堆栈跟踪，基本上归结为：

java.lang.ClassCastException： scala.collection.mutable.WrappedArray$ofRef不能强制转换为 [Lscala.Tuple2；
org.apache.spark.sql.catalyst.expressions.ScalaUDF.$anonfun$f$3（ScalaUDF.scala:121） org.apache.spark.sql.catalyst.expressions.ScalaUDF.eval（ScalaUDF.scala:1063） org.apache.spark.sql.catalyst.expressions.Alias.eval（namedExpressions.scala:151） org.apache.spark.sql.catalyst.expressions.解释器项目.apply（Projection.scala:50） org.apache.spark.sql.catalyst.expressions.解释器项目.apply（Projection.scala:32） scala.collection.TraversableLike.$anonfun$map$1（TraversableLike.scala:273）

如何让这个udf在Scala Spark中工作？（如果有帮助，我现在使用2.4）

编辑：可能是我构建示例df的方式有问题。

---

但我所拥有的实际数据是每列上的lat/long元组数组（大小未知）。

在UDF中使用结构类型时，它们表示为行对象，数组列表示为Seq。此外，您需要以行的形式返回结构，并且需要定义一个模式来返回结构

import org.apache.spark.sql.Row
import org.apache.spark.sql.types._

val london = (1.0, 1.0)
val suburbia = (2.0, 2.0)
val southampton = (3.0, 3.0)  
val york = (4.0, 4.0)
val exampleDF = Seq((List(london,suburbia),List(southampton,york)),
    (List(york,london),List(southampton,suburbia))).toDF("AR1","AR2")
exampleDF.show(false)
+------------------------+------------------------+
|AR1                     |AR2                     |
+------------------------+------------------------+
|[[1.0, 1.0], [2.0, 2.0]]|[[3.0, 3.0], [4.0, 4.0]]|
|[[4.0, 4.0], [1.0, 1.0]]|[[3.0, 3.0], [2.0, 2.0]]|
+------------------------+------------------------+

---

你可能想就此联系Raphael Roth，他似乎比大多数人走得更远。这与数组的结构方面有关，但我不知道如何解决这个问题。@raphaelroth你能评论一下吗？@Bluephantom不需要Raphael，我已经解决了：）@mck谢谢你的解释…和解决方案。非常感谢。印象深刻，我就快到了。明天再试。刚刚看到。错误消息很难理解。我本以为需要一个case类。好了。@BluePhantom是的，我想case类可能更好-定义udf模式已被弃用。但是对于要定义的case类，结构似乎有点复杂，所以我选择了udf模式。OP是不管怎么说，使用spark 2.4并不成问题。@mck+thebluephantom非常感谢你们两位！我与Mamonu合作开发了一款名为Splink的开源数据链接软件，该软件使用spark，非常有用！

import org.apache.spark.sql.Row
import org.apache.spark.sql.types._

val london = (1.0, 1.0)
val suburbia = (2.0, 2.0)
val southampton = (3.0, 3.0)  
val york = (4.0, 4.0)
val exampleDF = Seq((List(london,suburbia),List(southampton,york)),
    (List(york,london),List(southampton,suburbia))).toDF("AR1","AR2")
exampleDF.show(false)
+------------------------+------------------------+
|AR1                     |AR2                     |
+------------------------+------------------------+
|[[1.0, 1.0], [2.0, 2.0]]|[[3.0, 3.0], [4.0, 4.0]]|
|[[4.0, 4.0], [1.0, 1.0]]|[[3.0, 3.0], [2.0, 2.0]]|
+------------------------+------------------------+

val latlongexplode = (x: Seq[Row], y: Seq[Row]) => {
    for (a <- x; b <- y) yield Row(a, b)
}

val udf_schema = ArrayType(
    StructType(Seq(
        StructField(
            "city1",
            StructType(Seq(
                StructField("lat", FloatType),
                StructField("long", FloatType)
            ))
        ),
        StructField(
            "city2",
            StructType(Seq(
                StructField("lat", FloatType),
                StructField("long", FloatType)
            ))
        )
    ))
)

// include this line if you see errors like 
// "You're using untyped Scala UDF, which does not have the input type information."
// spark.sql("set spark.sql.legacy.allowUntypedScalaUDF = true")

val latlongexplodeUDF = udf(latlongexplode, udf_schema)
result = exampleDF.withColumn("latlongexplode", latlongexplodeUDF($"AR1",$"AR2"))

result.show(false)
+------------------------+------------------------+--------------------------------------------------------------------------------------------------------+
|AR1                     |AR2                     |latlongexplode                                                                                          |
+------------------------+------------------------+--------------------------------------------------------------------------------------------------------+
|[[1.0, 1.0], [2.0, 2.0]]|[[3.0, 3.0], [4.0, 4.0]]|[[[1.0, 1.0], [3.0, 3.0]], [[1.0, 1.0], [4.0, 4.0]], [[2.0, 2.0], [3.0, 3.0]], [[2.0, 2.0], [4.0, 4.0]]]|
|[[4.0, 4.0], [1.0, 1.0]]|[[3.0, 3.0], [2.0, 2.0]]|[[[4.0, 4.0], [3.0, 3.0]], [[4.0, 4.0], [2.0, 2.0]], [[1.0, 1.0], [3.0, 3.0]], [[1.0, 1.0], [2.0, 2.0]]]|
+------------------------+------------------------+--------------------------------------------------------------------------------------------------------+