为什么 Spark 在创建 DataFrame 时推断出二进制而不是 Array[Byte]？

Question

原则上，我有一个由“名称”和“值”DataFrame字段组成的。第一个字段是 a ，第二个字段是 an 。StringArray[Byte]

我想要对每条记录执行的操作DataFrame是应用任何函数，使用 aUDF并创建一个新列。当“Values”是一个时，这非常有效Array[Int]。但是，当它是 时Array[Byte]，会出现以下错误：

org.apache.spark.sql.AnalysisException: cannot resolve 'UDF(Values)' due to data type mismatch: argument 1 requires array<tinyint> type, however, '`Values`' is of binary type.;;
'Project [Name#47, Values#48, UDF(Values#48) AS TwoTimes#56]
+- Project [_1#44 AS Name#47, _2#45 AS Values#48]
+- SerializeFromObject [staticinvoke(class 
org.apache.spark.unsafe.types.UTF8String, StringType, fromString, assertnotnull(assertnotnull(input[0, scala.Tuple2, true]))._1, true) AS _1#44, assertnotnull(assertnotnull(input[0, scala.Tuple2, true]))._2 AS _2#45]
  +- ExternalRDD [obj#43]

完整代码如下：

scala> val df1 = spark.sparkContext.parallelize(Seq(("one", Array[Byte](1, 2, 3, 4, 5)), ("two", Array[Byte](6, 7, 8, 9, 10)))).toDF("Name", "Values")
df1: org.apache.spark.sql.DataFrame = [Name: string, Values: binary]

scala> df1.show
+----+----------------+
|Name|          Values|
+----+----------------+
| one|[01 02 03 04 05]|
| two|[06 07 08 09 0A]|
+----+----------------+

scala> val twice = udf { (values: Seq[Byte]) =>
   |     val result = Array.ofDim[Byte](values.length)
   |     for (i <- values.indices)
   |         result(i) = (2 * values(i).toInt).toByte
   |     result
   | }
twice: org.apache.spark.sql.expressions.UserDefinedFunction = UserDefinedFunction(<function1>,BinaryType,Some(List(ArrayType(ByteType,false))))

scala> val df2 = df1.withColumn("TwoTimes", twice('Values))

我知道这样的错误是由于错误的数据类型（预期：Array[Byte]，但它找到了 a Binary）而出现的，但我不明白的是为什么 Spark 将我推断Array[Byte]为 a Binary。有人可以向我解释一下吗？

如果我必须使用Binary而不是Array[Byte]，我应该如何在我的内部处理它UDF？

我澄清一下，我的原作UDF没有使用简单的for循环。据我所知，在这个例子中，这可以用map方法来代替。

Answer 1

在 Spark 中，Array[Byte]表示为BinaryType. 从文档中我们可以看到：

public class BinaryType extends DataType
表示值的数据类型Array[Byte]。请使用单例 DataTypes.BinaryType。

因此，Array[Byte]和Binary是相同的，但是，它们之间存在一些差异，Seq[Byte]这会导致错误。

要解决此问题，只需在 udf 中替换Seq[Byte]为：Array[Byte]

val twice = udf { (values: Array[Byte]) =>
  val result = Array.ofDim[Byte](values.length)
  for (i <- values.indices)
    result(i) = (2 * values(i).toInt).toByte
  result
}