如何解决创建依赖于其他资源的函数的Spark UDF
我有一个用于标记字符串的代码。
但是该令牌化方法使用了一些在我的应用程序启动时加载的数据。
val stopwords = getStopwords();
val tokens = tokenize("hello i am good",stopwords)
def tokenize(string:String,stopwords: List[String]) : List[String] = {
val splitted = string.split(" ")
// I use this stopwords for filtering my splitted array.
// Then i return the items back.
}
现在我想使tokenize方法成为Spark的UDF,我想用它在DataFrame Transformations中创建新列。
我创建了简单的UDF,在此之前没有依赖性,例如需要从文本文件等中读取项目。
有人可以告诉我如何进行这种操作吗?
这是我尝试过的方法,并且可以正常工作。
val moviesDF = Seq(
("kingdomofheaven"),("enemyatthegates"),("salesinfointheyearofdecember"),).toDF("column_name")
val tokenizeUDF: UserDefinedFunction = udf(tokenize(_: String): List[String])
moviesDF.withColumn("tokenized",tokenizeUDF(col("column_name"))).show(100,false)
def tokenize(name: String): List[String] = {
val wordFreqMap: Map[String,Double] = DataProviderUtil.getWordFreqMap()
val stopWords: Set[String] = DataProviderUtil.getStopWordSet()
val maxLengthWord: Int = wordFreqMap.keys.maxBy(_.length).length
.................
.................
}
它给了我预期的输出:
+----------------------------+--------------------------+
|columnname |tokenized |
+----------------------------+--------------------------+
|kingdomofheaven |[kingdom,heaven] |
|enemyatthegates |[enemi,gate] |
|salesinfointheyearofdecember|[sale,info,year,decemb]|
+----------------------------+--------------------------+
现在我的问题是,它部署后是否可以工作?目前我是 在本地运行。我主要担心的是,此函数从 文件以获取停用词,wordfreq等信息,以使 标记化是可能的。所以像这样注册它可以正常工作 ?
解决方法
此时,如果部署此代码,Spark将尝试序列化DataProviderUtil,则需要将该类标记为可序列化。另一种可能性是在对象内部声明逻辑。对象内部的函数被视为静态函数,并且不会序列化。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。