Spark UDF变长参数的二三事儿

Spark UDF变长参数的二三事儿
在复杂业务逻辑中，我们经常会用到Spark的UDF，当一个UDF需要传入多列的内容并进行处理时，UDF的传参该怎么做呢? 下面通过变长参数引出，逐一介绍三种可行方法以及一些不可行的尝试...

在复杂业务逻辑中，我们经常会用到Spark的UDF，当一个UDF需要传入多列的内容并进行处理时，UDF的传参该怎么做呢? 下面通过变长参数引出，逐一介绍三种可行方法以及一些不可行的尝试...

引子

变长参数对于我们来说并不陌生，在Java里我们这么写

1. public void varArgs(String... args)

在Scala里我们这么写

1. def varArgs(cols: String*): String

而在Spark里，很多时候我们有自己的业务逻辑，现成的functions满足不了我们的需求，而当我们需要处理同一行的多个列，将其经过我们自己的逻辑合并为一个列时，变长参数及其变种实现可以给我们提供帮助。

但是在Spark UDF里我们是 无法使用变长参数传值 的，但之所以本文以变长参数开头，是因为需求起于它，而通过对它进行变换，我们可以使用变长参数或Seq类型来接收参数。

下面通过Spark-Shell来做演示，以下三种方法都可以做到多列传参，分别是

• 变长参数(接受array类型)
• Seq类型参数(接受array类型)
• Row类型参数(接受struct类型)

变长参数类型的UDF

定义UDF方法

1. def myConcatVarargs(sep: String, cols: String*): String = cols.filter(_ != null).mkString(sep)

注册UDF函数

由于变长参数只能通过方法定义，所以这里使用部分应用函数来转换

1. val myConcatVarargsUDF = udf(myConcatVarargs _)

可以看到该UDF的定义如下

1. UserDefinedFunction(,StringType,List(StringType, ArrayType(StringType,true)))

也即变长参数转换为了ArrayType，而且函数是只包括两个参数，所以变长参数列表由此也可看出无法使用的。

变长参数列表传值

我们构造一个DataFrame如下

1. val df = sc.parallelize(Array(("aa", "bb", "cc"),("dd","ee","ff"))).toDF("A", "B", "C")

然后直接传入多个String类型的列到myConcatVarargsUDF

1. df.select(myConcatVarargsUDF(lit("-"), col("A"), col("B"), col("C"))).show

结果出现如下报错

1. java.lang.ClassCastException: anonfun$1 cannot be cast to scala.Function4

由此可以看出，使用变长参数列表的方式Spark是不支持的，它会被识别为四个参数的函数，而UDF确是被定义为两个参数而不是四个参数的函数!

变换：使用array()转换做第二个参数

我们使用Spark提供的array() function来转换参数为Array类型

1. df.select(myConcatVarargsUDF(lit("-"), array(col("A"), col("B"), col("C")))).show

结果如下

1. +-------------------+
2. |UDF(-,array(A,B,C))|
3. +-------------------+
4. | aa-bb-cc|
5. | dd-ee-ff|
6. +-------------------+

由此可以看出，使用变长参数构造的UDF方法，可以通过构造Array的方式传参，来达到多列合并的目的。

使用Seq类型参数的UDF

上面提到，变长参数最后被转为ArrayType，那不禁要想我们为嘛不使用Array或List类型呢?

实际上在UDF里，类型并不是我们可以随意定义的，比如使用List和Array就是不行的，我们自己定义的类型也是不行的，因为这涉及到数据的序列化和反序列化。

以Array/List为示例的错误

下面以Array类型为示例

定义函数

1. val myConcatArray = (cols: Array[String], sep: String) => cols.filter(_ != null).mkString(sep)

注册UDF

1. val myConcatArrayUDF = udf(myConcatArray)

可以看到给出的UDF签名是

1. UserDefinedFunction(,StringType,List())

应用UDF

1. df.select(myConcatArrayUDF(array(col("A"), col("B"), col("C")), lit("-"))).show

会发现报错

1. scala.collection.mutable.WrappedArray$ofRef cannot be cast to [Ljava.lang.String

同样List作为参数类型也会报错，因为反序列化的时候无法构建对象，所以List和Array是无法直接作为UDF的参数类型的

以Seq做参数类型

定义调用如下

1. val myConcatSeq = (cols: Seq[Any], sep: String) => cols.filter(_ != null).mkString(sep)
2. val myConcatSeqUDF = udf(myConcatSeq)
3. df.select(myConcatSeqUDF(array(col("A"), col("B"), col("C")), lit("-"))).show

结果如下

1. +-------------------+
2. |UDF(array(A,B,C),-)|
3. +-------------------+
4. | aa-bb-cc|
5. | dd-ee-ff|
6. +-------------------+

使用Row类型参数的UDF

我们可以使用Spark functions里struct方法构造结构体类型传参，然后用Row类型接UDF的参数，以达到多列传值的目的。

1. def myConcatRow: ((Row, String) => String) = (row, sep) => row.toSeq.filter(_ != null).mkString(sep)
2. val myConcatRowUDF = udf(myConcatRow)
3. df.select(myConcatRowUDF(struct(col("A"), col("B"), col("C")), lit("-"))).show

可以看到UDF的签名如下

1. UserDefinedFunction(,StringType,List())

结果如下

1. +--------------------+
2. |UDF(struct(A,B,C),-)|
3. +--------------------+
4. | aa-bb-cc|
5. | dd-ee-ff|
6. +--------------------+

使用Row类型还可以使用模式提取，用起来会更方便

1. row match {
2. case Row(aa:String, bb:Int) =>
3. }

最后

对于上面三种方法，变长参数和Seq类型参数都需要array的函数包装为ArrayType，而使用Row类型的话，则需要struct函数构建结构体类型，其实都是为了数据的序列化和反序列化。三种方法中，Row的方式更灵活可靠，而且支持不同类型并且可以明确使用模式提取，用起来相当方便。

而由此我们也可以看出，UDF不支持List和Array类型的参数，同时 自定义参数类型 如果没有混合Spark的特质实现序列化和反序列化，那么在UDF里也是 无法用作参数类型 的。当然，Seq类型是可以 的，可以接多列的数组传值。

此外，我们也可以使用柯里化来达到多列传参的目的，只是不同参数个数需要定义不同的UDF了。

【编辑推荐】

1. Hadoop的一个变长long编码剖析
2. Teradata姜欣：洞察数据分析生态系统的未来
3. 实用 | 从Apache Kafka到Apache Spark安全读取数据
4. Spark Streaming vs. Kafka Stream 哪个更适合你
5. 手把手教你 Spark 性能调优