Spark 2 Dataset Null值异常

Question

在spark Dataset.filter中获取此null错误

输入CSV:

name,age,stat
abc,22,m
xyz,,s

工作代码:

case class Person(name: String, age: Long, stat: String)

val peopleDS = spark.read.option("inferSchema","true")
  .option("header", "true").option("delimiter", ",")
  .csv("./people.csv").as[Person]
peopleDS.show()
peopleDS.createOrReplaceTempView("people")
spark.sql("select * from people where age > 30").show()

失败的代码(添加以下行返回错误):

val filteredDS = peopleDS.filter(_.age > 30)
filteredDS.show()

返回null错误

java.lang.RuntimeException: Null value appeared in non-nullable field:
- field (class: "scala.Long", name: "age")
- root class: "com.gcp.model.Person"
If the schema is inferred from a Scala tuple/case class, or a Java bean, please try to use scala.Option[_] or other nullable types (e.g. java.lang.Integer instead of int/scala.Int).

Answer 1

你得到的例外应该解释一切,但让我们一步一步走:

• 使用csv数据源加载数据时,所有字段都标记为nullable:

  val path: String = ???
  
  val peopleDF = spark.read
    .option("inferSchema","true")
    .option("header", "true")
    .option("delimiter", ",")
    .csv(path)
  
  peopleDF.printSchema
  

  root
  |-- name: string (nullable = true)
  |-- age: integer (nullable = true)
  |-- stat: string (nullable = true)
  

• 缺少的字段表示为SQL NULL

  peopleDF.where($"age".isNull).show
  

  +----+----+----+
  |name| age|stat|
  +----+----+----+
  | xyz|null|   s|
  +----+----+----+
  

• 接下来转换Dataset[Row]为Dataset[Person]使用Long编码age字段.Long在Scala中不可能null.因为输入模式是nullable,输出模式保持不变nullable:

  val peopleDS = peopleDF.as[Person]
  
  peopleDS.printSchema
  

  root
   |-- name: string (nullable = true)
   |-- age: integer (nullable = true)
   |-- stat: string (nullable = true)
  

  请注意,它as[T]根本不会影响架构.

• 当您Dataset使用SQL 查询(在已注册的表上)或DataFrameAPI时,Spark不会反序列化该对象.由于架构仍然nullable可以执行:

  peopleDS.where($"age" > 30).show
  

  +----+---+----+
  |name|age|stat|
  +----+---+----+
  +----+---+----+
  

  没有任何问题.这只是一个简单的SQL逻辑,NULL是一个有效的值.

• 当我们使用静态类型的DatasetAPI时:

  peopleDS.filter(_.age > 30)
  

  Spark必须反序列化对象.因为Long不能null(SQL NULL)它会失败,你会看到异常.

  如果不是因为你得到了NPE.

• 更正数据的静态类型表示应使用以下Optional类型:

  case class Person(name: String, age: Option[Long], stat: String)
  

  调整过滤功能:

  peopleDS.filter(_.age.map(_ > 30).getOrElse(false))
  

  +----+---+----+
  |name|age|stat|
  +----+---+----+
  +----+---+----+
  

  如果您愿意,可以使用模式匹配:

  peopleDS.filter {
    case Some(age) => age > 30
    case _         => false     // or case None => false
  }
  

  请注意,您不必(但无论如何都会建议)为name和使用可选类型stat.因为Scala String只是一个Java,String它可以null.当然,如果你采用这种方法,你必须明确检查访问的值是否是null.

相关的Spark 2.0 Dataset与DataFrame相关