如何在PySpark中使用Scala UDF？

Question

我希望能够将Scala函数用作PySpark中的UDF

package com.test

object ScalaPySparkUDFs extends Serializable {
    def testFunction1(x: Int): Int = { x * 2 }
    def testUDFFunction1 = udf { x: Int => testFunction1(x) }
} 

我可以testFunction1在PySpark 中访问它并返回值：

functions = sc._jvm.com.test.ScalaPySparkUDFs 
functions.testFunction1(10)

我想要做的就是将此函数用作UDF，最好是在withColumn通话中使用：

row = Row("Value")
numbers = sc.parallelize([1,2,3,4]).map(row).toDF()
numbers.withColumn("Result", testUDFFunction1(numbers['Value']))

我认为这里有一个很有前途的方法： Spark：如何用Scala或Java用户定义函数映射Python？

但是，在对其中的代码进行更改时，可以改为使用testUDFFunction1：

def udf_test(col):
    sc = SparkContext._active_spark_context
    _f = sc._jvm.com.test.ScalaPySparkUDFs.testUDFFunction1.apply
    return Column(_f(_to_seq(sc, [col], _to_java_column)))

我得到：

 AttributeError: 'JavaMember' object has no attribute 'apply' 

我不明白这是因为我相信testUDFFunction1有申请方法吗？

我不想使用在这里找到的类型的表达式：将 UDF从Scala注册到SqlContext，以便在PySpark中使用

任何有关如何使这项工作的建议，将不胜感激！

Answer 1

同意@user6910411，你必须直接在函数上调用apply方法。所以，你的代码将是。

Scala 中的 UDF：

import org.apache.spark.sql.expressions.UserDefinedFunction
import org.apache.spark.sql.functions._


object ScalaPySparkUDFs {

    def testFunction1(x: Int): Int = { x * 2 }

    def getFun(): UserDefinedFunction = udf(testFunction1 _ )
}

PySpark 代码：

def test_udf(col):
    sc = spark.sparkContext
    _test_udf = sc._jvm.com.test.ScalaPySparkUDFs.getFun()
    return Column(_test_udf.apply(_to_seq(sc, [col], _to_java_column)))


row = Row("Value")
numbers = sc.parallelize([1,2,3,4]).map(row).toDF()
numbers.withColumn("Result", test_udf(numbers['Value']))

Answer 2

您链接的问题是使用 Scala object。Scalaobject是单例的，你可以apply直接使用方法。

这里你使用一个 nullary 函数，它返回一个UserDefinedFunction co 类的对象，你必须首先调用该函数：

_f = sc._jvm.com.test.ScalaPySparkUDFs.testUDFFunction1() # Note () at the end
Column(_f.apply(_to_seq(sc, [col], _to_java_column)))