web-dev-qa-db-fra.com

java.lang.UnsupportedOperationExceptionfieldIndex sur une ligne sans schéma est indéfinie: exception sur row.getAs [String]

Le code suivant génère une exception provoquée par: Java.lang.UnsupportedOperationException: fieldIndex sur une ligne sans schéma n'est pas défini. Cela se produit lorsqu'un élément d'une image a été renvoyé après une invocation de type groupByKey et flatMap sur un élément de données utilisant ExpressionEncoder, groupedByKey et une propriété flatMap.

Flux logique: OriginalDf-> groupByKey-> flatMap-> groupByKey-> flatMap-> show

   import org.Apache.spark.sql.catalyst.encoders.RowEncoder
import org.Apache.spark.sql.{Row, SparkSession}
import org.Apache.spark.sql.types.{ IntegerType, StructField, StructType}

import scala.collection.mutable.ListBuffer



  object Test {

    def main(args: Array[String]): Unit = {

      val values = List(List("1", "One") ,List("1", "Two") ,List("2", "Three"),List("2","4")).map(x =>(x(0), x(1)))
      val session = SparkSession.builder.config("spark.master", "local").getOrCreate
      import session.implicits._
      val dataFrame = values.toDF


      dataFrame.show()
      dataFrame.printSchema()

      val newSchema = StructType(dataFrame.schema.fields
        ++ Array(
        StructField("Count", IntegerType, false)
      )
      )

      val expr = RowEncoder.apply(newSchema)

      val tranform =  dataFrame.groupByKey(row => row.getAs[String]("_1")).flatMapGroups((key, inputItr) => {
        val inputSeq = inputItr.toSeq

        val length = inputSeq.size
        var listBuff = new ListBuffer[Row]()
        var counter : Int= 0
        for(i <- 0 until(length))
        {
          counter+=1

        }

        for(i <- 0 until length ) {
          var x = inputSeq(i)
          listBuff += Row.fromSeq(x.toSeq ++ Array[Int](counter))
        }
        listBuff.iterator
      })(expr)

      tranform.show

      val newSchema1 = StructType(tranform.schema.fields
        ++ Array(
        StructField("Count1", IntegerType, false)
      )
      )
      val expr1 = RowEncoder.apply(newSchema1)
      val tranform2 =  tranform.groupByKey(row => row.getAs[String]("_1")).flatMapGroups((key, inputItr) => {
        val inputSeq = inputItr.toSeq

        val length = inputSeq.size
        var listBuff = new ListBuffer[Row]()
        var counter : Int= 0
        for(i <- 0 until(length))
        {
          counter+=1

        }

        for(i <- 0 until length ) {
          var x = inputSeq(i)
          listBuff += Row.fromSeq(x.toSeq ++ Array[Int](counter))
        }
        listBuff.iterator
      })(expr1)

      tranform2.show
    }
}

Voici le stacktrace

18/11/21 19:39:03 WARN TaskSetManager: Lost task 144.0 in stage 11.0 (TID 400, localhost, executor driver): Java.lang.UnsupportedOperationException: fieldIndex on a Row without schema is undefined.
at org.Apache.spark.sql.Row$class.fieldIndex(Row.scala:342)
at org.Apache.spark.sql.catalyst.expressions.GenericRow.fieldIndex(rows.scala:166)
at org.Apache.spark.sql.Row$class.getAs(Row.scala:333)
at org.Apache.spark.sql.catalyst.expressions.GenericRow.getAs(rows.scala:166)
at com.quantuting.sparkutils.main.Test$$anonfun$4.apply(Test.scala:59)
at com.quantuting.sparkutils.main.Test$$anonfun$4.apply(Test.scala:59)
at org.Apache.spark.sql.execution.AppendColumnsWithObjectExec$$anonfun$9$$anonfun$apply$3.apply(objects.scala:300)
at org.Apache.spark.sql.execution.AppendColumnsWithObjectExec$$anonfun$9$$anonfun$apply$3.apply(objects.scala:298)
at scala.collection.Iterator$$anon$11.next(Iterator.scala:409)
at scala.collection.Iterator$$anon$11.next(Iterator.scala:409)
at org.Apache.spark.shuffle.sort.BypassMergeSortShuffleWriter.write(BypassMergeSortShuffleWriter.Java:149)
at org.Apache.spark.scheduler.ShuffleMapTask.runTask(ShuffleMapTask.scala:96)
at org.Apache.spark.scheduler.ShuffleMapTask.runTask(ShuffleMapTask.scala:53)
at org.Apache.spark.scheduler.Task.run(Task.scala:109)
at org.Apache.spark.executor.Executor$TaskRunner.run(Executor.scala:345)
at Java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.Java:1149)
at Java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.Java:624)
at Java.lang.Thread.run(Thread.Java:748)

Comment réparer ce code?

scalaapache-spark
6
Bay Max

Le problème signalé pourrait être évité en remplaçant la version fieldname de la méthode getAs [T] (utilisée dans la fonction pour groupByKey):

groupByKey(row => row.getAs[String]("_1"))

avec la version field-position:

groupByKey(row => row.getAs[String](fieldIndexMap("_1")))

où fieldIndexMap fait correspondre les noms de champs à leurs index de champs correspondants:

val fieldIndexMap = tranform.schema.fieldNames.zipWithIndex.toMap

En remarque, votre fonction pour flatMapGroups peut être simplifiée comme ci-dessous:

val tranform2 = tranform.groupByKey(_.getAs[String](fieldIndexMap("_1"))).
  flatMapGroups((key, inputItr) => {
    val inputSeq = inputItr.toSeq
    val length = inputSeq.size
    inputSeq.map(r => Row.fromSeq(r.toSeq :+ length))
  })(expr1)

Le comportement incohérent entre l'application des méthodes groupByKey/flatMapGroups d'origine à "dataFrame" et "tranform" est apparemment lié à la manière dont les méthodes gèrent une DataFrame par rapport à Dataset[Row].

4
Leo C

Solution fournie par JIRA sur le projet Spark: https://issues.Apache.org/jira/browse/SPARK-26436

Ce problème est dû à la façon dont vous créez la ligne:

listBuff += Row.fromSeq(x.toSeq ++ Array[Int](counter))

Row.fromSeq crée un GenericRow et le fieldIndex de GenericRow n'est pas implémenté car GenericRow n'a pas de schéma.

Changer la ligne pour créer GenericRowWithSchema peut le résoudre:

listBuff += new GenericRowWithSchema((x.toSeq ++ Array[Int](counter)).toArray, newSchema)
0
Bay Max