为什么Spark/Scala编译器无法在RDD [Map [Int,Int]]上找到toDF？

Question

为什么以下结果会出错？

scala> import sqlContext.implicits._
import sqlContext.implicits._

scala> val rdd = sc.parallelize(1 to 10).map(x => (Map(x  -> 0), 0))
rdd: org.apache.spark.rdd.RDD[(scala.collection.immutable.Map[Int,Int], Int)] = MapPartitionsRDD[20] at map at <console>:27

scala> rdd.toDF
res8: org.apache.spark.sql.DataFrame = [_1: map<int,int>, _2: int]

scala> val rdd = sc.parallelize(1 to 10).map(x => Map(x  -> 0))
rdd: org.apache.spark.rdd.RDD[scala.collection.immutable.Map[Int,Int]] = MapPartitionsRDD[23] at map at <console>:27

scala> rdd.toDF
<console>:30: error: value toDF is not a member of org.apache.spark.rdd.RDD[scala.collection.immutable.Map[Int,Int]]
              rdd.toDF

那么到底发生了什么,toDF可以将RDD类型转换(scala.collection.immutable.Map[Int,Int], Int)为DataFrame而不是类型scala.collection.immutable.Map[Int,Int].这是为什么？

Answer 1

出于同样的原因你不能使用

sqlContext.createDataFrame(1 to 10).map(x => Map(x  -> 0))

如果您查看org.apache.spark.sql.SQLContext源代码,您会发现该createDataFrame方法的两种不同实现:

def createDataFrame[A <: Product : TypeTag](rdd: RDD[A]): DataFrame  

和

def createDataFrame[A <: Product : TypeTag](data: Seq[A]): DataFrame 

正如你所看到的,两者都需要A成为它的子类Product.当你打电话toDF给RDD[(Map[Int,Int], Int)]它时,因为Tuple2确实是一个Product.Map[Int,Int]因此本身并不是错误.

你可以把它通过包装工作Map有Tuple1:

sc.parallelize(1 to 10).map(x => Tuple1(Map(x  -> 0))).toDF

Answer 2

基本上是因为没有隐式为RDD内的Map创建DataFrame.

在第一个示例中,您将返回一个Tuple,它是一个隐式转换的Product.

rddToDataFrameHolder [A <:Product:TypeTag](rdd:RDD [A])

在第二个示例中,您使用RDD中的Map,没有隐式转换.