Java开发Spark应用程序自定义PipeLineStage详解
KYs_Daddy 人气:0引言
在Spark中使用Pipeline进行数据建模是一种非常高效的手段。作为Pipeline中基本数据加工处理单元——PipelineStage，Spark提供了用户自定义的抽象子类Transformer和Estimator。
关于自定义PipelineStage的详细方法，大部分的资料和介绍都是基于scala的。少数基于Java的介绍都极不完整，有些可能还存在一定的误导。所以接下来我们将系统的介绍用Java开发Spark如何自定义PipelineStage。
本文使用环境：Spark-2.3.0，Java 8。
背景知识介绍
在spark中构建一条Pipeline需要串联多个PipelineStage，每个PipelineStage单独处理一个数据加工环节，如数据清洗、特征提取、特征选择、预估等。PipelineStage按是否有训练训练方法分为Transformer和Estimator两个抽象子类。其中Estimator可以进行训练，有fit抽象方法要实现。
用于分类回归等任务的Predictor都继承于Estimator；而Transformer无需训练，没有fit方法，一般的数据转换器如VectorAssembler、StopWordsRemover等都是Transformer的子类。值得注意的是，所有由Estimator训练得到的Model类也都是Transformer的子类。
自定义PipelineStage需要继承Transformer或Estimator并实现他们的方法。除此之外，我们自定义的PipelineStage要能同其他官方定义的PipelineStage一样按照统一的读写流程进行存储和加载。PipelineStage读写基于Param对象，PipelineStage中的成员变量需要用Param类进行封装，然后用PipelineStage类中已实现的Params接口方法对封装后的成员变量进行统一访问和处理。由于PipelineStage具有以上特性，我们自定义PipelineStage至少需要以下几个步骤：
- 继承Transformer或Estimator抽象类；
- 定义由Param封装的成员变量，并通过调用由PipelineStage类实现的Params接口方法，定义对成员变量进行操作的方法；
- 实现Transformer或Estimator中的fit、transform等核心抽象方法；
- 定义或实现读写方法用于存储和加载对象实例。
下面我们将自定义一个Transformer，并对其中的一些细节与要点进行详述。
定义一个Transformer
1. 场景介绍
本例定义一个名为SeqAssembler的Transformer，用于提取用户最近n次（n>=0,包括本单）下单的序列特征。 输入Dataset包括以下字段：user_id, buy_rn, feat1, feat2, feat3。经过SeqAssembler后输出：user_id, buy_rn, feat1, feat2, feat3, features。 其中features为数组类型，shape (3n, ) ：
输入：
输出：
2. 代码实现
2.1 定义并封装成员变量
SeqAssembler中要定义如下成员变量：
private String idCol; private String rnCol; private String[] featCols; private String outputCol; private Integer limitRn;
使用org.apache.spark.ml.param.Param对成员变量进行封装，String[] 用StringArrayParam封装, Integer成员变量采用String类型的Param进行封装，方便保存的时候进行Json化，封装后的成员变量如下：
private Param<String> idCol; private Param<String> rnCol; private StringArrayParam featCols; private Param<String> outputCol; private Param<String> limitRn; //Integer成员变量需要用String类型Param封装，由于保存时要调用JsonEncoder方法，JsonEncoder仅支持String、数组等类型的数据。
此外我们还需要定义一个名为uid成员变量，用于识别SeqAssembler对象，并定义至少两个构造器，需要注意的细节如下：
- uid不用声明成静态的，同一Spark进程下初始化多个SeqAssembler对象，每个SeqAssembler对象都要有自己的uid，不用全局唯一。
- uid的初始化需要在Param成员变量初始化之前，有了uid之后才能进行Param成员变量的初始化。
- 需要至少定义两个构造器，其中一个是无参构造器，另一个是需要传入唯一参数String uid的有参构造器，有参构造器用于load过程中构造SeqAssembler对象。各成员变量需要在构造器中完成初始化。
至此，SeqAssembler类中定义内容如下：
public class SeqAssembler extends Transformer {
private String uid;
private Param<String> idCol;
private Param<String> rnCol;
private StringArrayParam featCols;
private Param<String> outputCol;
private Param<String> limitRn;
/**
* 定义一个辅助Param初始化的方法，在构造器中对各Param成员变量进行初始化
*/
public void initParam(){
idCol = new Param<String>(this,"idCol","Column name for id");
rnCol = new Param<String>(this,"rnCol","Column name for sequential rn");
featCols = new StringArrayParam(this,"featCols","Column names of features");
outputCol = new Param<String>(this,"outputCol","Column name of output");
limitRn = new Param<String>(this,"limitRn","Column name of limitRn");
}
public SeqAssembler() {
uid = Identifiable$.MODULE$.randomUID("SeqAssembler"); //uid初始化在Param类型成员变量前
initParam();
}
public SeqAssembler(String value){
uid = value; //uid初始化在Param类型成员变量前
initParam();
}
@Override
public Dataset<Row> transform(Dataset<?> dataset) {
return null;
}
@Override
public StructType transformSchema(StructType schema) {
return null;
}
@Override
public Transformer copy(ParamMap extra) {
return null;
}
@Override
public String uid() {
return null;
}
}
接着定义get、set方法，调用PipelineStage类中已实现的Params接口下的$()和set()方法，方便对Param封装后的成员变量进行赋值取值操作。
/**
* 定义对Param成员变量进行操作的get/set方法, 通过调用PipelineStage类中已实现的Params的$()、set()方法对
* Param成员变量进行操作。
* $()、set()对Param进行操作前会调用shouldOwn()，验证被操作的Param成员变量是否已经被维护到params数组中
*/
public String getIdCol() {
return this.$(idCol);
}
public SeqAssembler setIdCol(String value) {
return (SeqAssembler) this.<String>set(idCol,value);
}
public String getRnCol() {
return this.$(rnCol);
}
public SeqAssembler setRnCol(String value) {
return (SeqAssembler) this.<String>set(rnCol,value);
}
public String[] getFeatCols() {
return this.$(featCols);
}
public SeqAssembler setFeatCols(String[] value) {
return (SeqAssembler) this.<String[]>set(featCols,value);
}
public String getOutputCol() {
return this.$(outputCol);
}
public SeqAssembler setOutputCol(String value) {
return (SeqAssembler) this.<String>set(outputCol,value);
}
public Integer getLimitRn() {
return Integer.parseInt(this.$(limitRn));
}
public SeqAssembler setLimitRn(Integer value) {
return (SeqAssembler) this.<String>set(limitRn,value.toString());
}
此外，我们还需要为每个Param定义一个public方法，因为Params接口会延迟加载并生成一个名为params数组。延迟加载时通过反射扫描一遍public方法, 将作为返回值的Param成员变量维护进params数组中。
Params源码中通过反射延迟加载params数组：
DefaultParamsReader的load方法中通过params数组反射构造对象：
如果Param封装的字段缺乏作用域pubic、无参、返回类型为对应Param的方法，在load过程中通过反射构造出的对象会出现成员变量缺失，用读取的metadata装配时会出错。 因此我们需要为每个Param定义如下方法：
/**
* 需要为每个Param定义一个public方法, 因为Params会延迟加载并生成一个Param[] params数组,
* params的生成方式是通过反射扫描一遍public方法, 将作为返回值的Param成员变量维护进params数组中。
*
* org.apache.spark.ml.param.shared下的所有接口都有一个以Param类型为返回值的方法，也是为了方便子类
* 通过实现org.apache.spark.ml.param.shared接口，达到将Param成员变量维护进params数组的目的。
*/
public Param<String> idCol(){
return idCol;
}
public Param<String> rnCol(){
return rnCol;
}
public StringArrayParam featCols(){
return featCols;
}
public Param<String> outputCol(){
return outputCol;
}
public Param<String> limitRn(){
return limitRn;
}
如果研究spark ml的源码不难发现，官方的各个Transformer子类都实现org.apache.spark.ml.param.shared包下HasInputCols、HasOutputCol等接口，这些接口下都有一个满足以上3要素（public、无参、Param类型返回）的方法，用途与我们上面为每个Param定义的方法类似。
2.2 实现抽象方法
接下来，我们需要实现从Transformer类中继承来各个抽象方法，包括transform、transformSchema、copy、uid。
transform方法中包含的是整个数据处理的逻辑，该方法定义的原则是不改变原数据的字段与条数，只在原数据基础上新增字段。下面实现的transform方法用于本例中最近几次下单 特征的提取。
@Override
public Dataset<Row> transform(Dataset<?> dataset) {
Dataset<Row> df = dataset.toDF();
String idColName = getIdCol();
String rnColName = getRnCol();
String[] featCols = getFeatCols();
String outputCol = getOutputCol();
Integer limitRnValue = getLimitRn();
// 获取原始数据中rn字段下最大值
Integer maxRN = (Integer) df.groupBy().max(rnColName).first().get(0);
// 限制设置的limitRN不得大于maxRn。
if(limitRnValue>maxRN){
throw new ValueException(String.format( "the value of limitRn %d is larger than max value of rnCol %d, choose a smaller limitRn instead",
limitRnValue,maxRN));
}
// 定义一个备用的Dataset df_c
Dataset<Row> df_c = df.select(idColName,rnColName);
df_c = df_c.withColumnRenamed(idColName,idColName+"_c")
.withColumnRenamed(rnColName, rnColName+"_c");
// 将df与df_c进行连接，连接条件df.idCol==df_c.idCol && df.rnCol<=df_c.rnCol
Column joinExpr = df.col(idColName).equalTo(df_c.col(idColName+"_c")).and(df.col(rnColName).leq(df_c.col(rnColName+"_c")));
Dataset<Row> joinedDf = df_c.join(df,joinExpr,"left");
// 打上一列rnCol_p = df_c.rnCol - df.rnCol 最近购买次序列，当前次的值0
String pivotRnColName = rnColName+"_p";
joinedDf = joinedDf.withColumn(pivotRnColName,joinedDf.col(rnColName+"_c").minus(joinedDf.col(rnColName)));
// 表格透视前的准备工作，定义一些map和array，用于记录表格透视计算规则和透视后的列名
Map<String, String> featAggMap = new HashMap<>();
Integer featNums = featCols.length;
String[] pivotColNames = new String[maxRN*featNums-1];
String firstPivotColName = "0_min"+"("+featCols[0]+")";
int n = 0;
for(int i=0; i<maxRN; i++){
for(String feat:featCols){
if(i==0){
featAggMap.put(feat,"min");
}
if(n>0){
pivotColNames[n - 1] = String.valueOf(i) + "_min" + "(" + feat + ")";
}
n++;
}
}
// 对表格进行透视、特征字段合并、得到outputCol
Dataset<Row> transformed = joinedDf.groupBy(joinedDf.col(idColName+"_c"), joinedDf.col(rnColName+"_c")).pivot(pivotRnColName).agg(featAggMap);
transformed = transformed.withColumn(outputCol, functions.array(firstPivotColName,pivotColNames));
// 将outputCol连到原df上，保证经过transform后的df只在原数据基础上新增一列
Column joinExprT = df.col(idColName).equalTo(transformed.col(idColName+"_c")).and(df.col(rnColName).equalTo(transformed.col(rnColName+"_c")));
df = df.join(transformed.select(idColName+"_c",rnColName+"_c",outputCol),joinExprT,"left").drop(idColName+"_c",rnColName+"_c");
return df;
}
实现transformSchema方法，通常在其中定义输入数据类型判断的逻辑，并返回一个与transform方法输出的Dataset相对应的schema：
@Override
/**
* transformSchema中定义输入数据类型判断的逻辑，并返回一个与transform方法输出的Dataset相对应的schema
*/
public StructType transformSchema(StructType schema) {
HashSet<String> featColSet = new HashSet<String>(Arrays.asList(getFeatCols()));
StructField[] fields = schema.fields();
for(StructField field:fields){
if(featColSet.contains(field.name())){
if(!field.dataType().sameType(DoubleType)&&!field.dataType().sameType(IntegerType)){
throw new TypeConstraintException(String.format("featCol DataType need DoubleType or IntegerType, " +
"but column %s is a %s." ,field.name(),field.dataType().typeName()));
}
}
}
StructType addedSchema = schema.add(getOutputCol(), new VectorUDT(), true);
return addedSchema;
}
实现uid与copy方法：
@Override
public Transformer copy(ParamMap extra) {
return this.<SeqAssembler>defaultCopy(extra);
}
@Override
public String uid() {
return uid;
}
最后，我们需要实现和定义读写方法，其中用于写的两个方法write()、save()通过实现 DefaultParamsWritable接口来实现；用于读的两个方法read()、load()直接自定义实现，需要声明为静态方法。
/**
* 调用DefaultParamsWriter和DefaultParamsReader实现write()/save(), read()/load()方法.
*/
@Override
public MLWriter write() {
MLWriter defaultParamsWriter = new DefaultParamsWriter(this);
return defaultParamsWriter;
}
@Override
public void save(String path) throws IOException {
write().saveImpl(path);
}
public static MLReader read() {
MLReader defaultParamsReader = new DefaultParamsReader();
return defaultParamsReader;
}
public static SeqAssembler load(String path) {
return (SeqAssembler) read().load(path);
}
最终完整的SeqAssembler类如下：
import jdk.nashorn.internal.runtime.regexp.joni.exception.ValueException;
import org.apache.spark.ml.Transformer;
import org.apache.spark.ml.linalg.VectorUDT;
import org.apache.spark.ml.param.Param;
import org.apache.spark.ml.param.ParamMap;
import org.apache.spark.ml.param.StringArrayParam;
import org.apache.spark.ml.util.*;
import org.apache.spark.sql.Column;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.functions;
import static org.apache.spark.sql.types.DataTypes.DoubleType;
import static org.apache.spark.sql.types.DataTypes.IntegerType;
import org.apache.spark.sql.types.StructField;
import org.apache.spark.sql.types.StructType;
import scala.actors.threadpool.Arrays;
import javax.xml.bind.TypeConstraintException;
import java.io.IOException;
import java.util.HashMap;
import java.util.HashSet;
import java.util.Map;
/**
* @author wangjiahui
* @create 2021-03-12-21:00
*/
public class SeqAssembler extends Transformer implements DefaultParamsWritable {
private String uid;
private Param<String> idCol;
private Param<String> rnCol;
private StringArrayParam featCols;
private Param<String> outputCol;
private Param<String> limitRn;
/**
* 定义一个辅助Param初始化的方法，在构造器中对各Param成员变量进行初始化
*/
public void initParam(){
idCol = new Param<String>(this,"idCol","Column name for id");
rnCol = new Param<String>(this,"rnCol","Column name for sequential rn");
featCols = new StringArrayParam(this,"featCols","Column names of features");
outputCol = new Param<String>(this,"outputCol","Column name of output");
limitRn = new Param<String>(this,"limitRn","Column name of limitRn");
}
public SeqAssembler() {
uid = Identifiable$.MODULE$.randomUID("SeqAssembler"); //uid初始化在Param类型成员变量前
initParam();
}
public SeqAssembler(String value){
uid = value; //uid初始化在Param类型成员变量前
initParam();
}
/**
* 需要为每个Param定义一个public方法, 因为Params会延迟加载并生成一个Param[] params数组,
* params的生成方式是通过反射扫描一遍public方法, 将作为返回值的Param成员变量维护进params数组中。
*
* org.apache.spark.ml.param.shared下的所有接口都有一个以Param类型为返回值的方法，也是为了方便子类
* 通过实现org.apache.spark.ml.param.shared接口，达到将Param成员变量维护进params数组的目的。
*/
public Param<String> idCol(){
return idCol;
}
public Param<String> rnCol(){
return rnCol;
}
public StringArrayParam featCols(){
return featCols;
}
public Param<String> outputCol(){
return outputCol;
}
public Param<String> limitRn(){
return limitRn;
}
/**
* 定义对Param成员变量进行操作的get/set方法, 通过调用PipelineStage类中已实现的Params的$()、set()方法对
* Param成员变量进行操作。
* $()、set()对Param进行操作前会调用shouldOwn()，验证被操作的Param成员变量是否已经被维护到params数组中
*/
public String getIdCol() {
return this.$(idCol);
}
public SeqAssembler setIdCol(String value) {
return (SeqAssembler) this.<String>set(idCol,value);
}
public String getRnCol() {
return this.$(rnCol);
}
public SeqAssembler setRnCol(String value) {
return (SeqAssembler) this.<String>set(rnCol,value);
}
public String[] getFeatCols() {
return this.$(featCols);
}
public SeqAssembler setFeatCols(String[] value) {
return (SeqAssembler) this.<String[]>set(featCols,value);
}
public String getOutputCol() {
return this.$(outputCol);
}
public SeqAssembler setOutputCol(String value) {
return (SeqAssembler) this.<String>set(outputCol,value);
}
public Integer getLimitRn() {
return Integer.parseInt(this.$(limitRn));
}
public SeqAssembler setLimitRn(Integer value) {
return (SeqAssembler) this.<String>set(limitRn,value.toString());
}
@Override
public Dataset<Row> transform(Dataset<?> dataset) {
Dataset<Row> df = dataset.toDF();
transformSchema(dataset.schema());
String idColName = getIdCol();
String rnColName = getRnCol();
String[] featCols = getFeatCols();
String outputCol = getOutputCol();
Integer limitRnValue = getLimitRn();
// 获取原始数据中rn字段下最大值
Integer maxRN = (Integer) df.groupBy().max(rnColName).first().get(0);
// 限制设置的limitRN不得大于maxRn。
if(limitRnValue>maxRN){
throw new ValueException(String.format( "the value of limitRn %d is larger than max value of rnCol %d, choose a smaller limitRn instead",
limitRnValue,maxRN));
}
// 定义一个备用的Dataset df_c
Dataset<Row> df_c = df.select(idColName,rnColName);
df_c = df_c.withColumnRenamed(idColName,idColName+"_c")
.withColumnRenamed(rnColName, rnColName+"_c");
// 将df与df_c进行连接，连接条件df.idCol==df_c.idCol && df.rnCol<=df_c.rnCol
Column joinExpr = df.col(idColName).equalTo(df_c.col(idColName+"_c")).and(df.col(rnColName).leq(df_c.col(rnColName+"_c")));
Dataset<Row> joinedDf = df_c.join(df,joinExpr,"left");
// 打上一列rnCol_p = df_c.rnCol - df.rnCol 最近购买次序列，当前次的值0
String pivotRnColName = rnColName+"_p";
joinedDf = joinedDf.withColumn(pivotRnColName,joinedDf.col(rnColName+"_c").minus(joinedDf.col(rnColName)));
// 表格透视前的准备工作，定义一些map和array，用于记录表格透视计算规则和透视后的列名
Map<String, String> featAggMap = new HashMap<>();
Integer featNums = featCols.length;
String[] pivotColNames = new String[maxRN*featNums-1];
String firstPivotColName = "0_min"+"("+featCols[0]+")";
int n = 0;
for(int i=0; i<maxRN; i++){
for(String feat:featCols){
if(i==0){
featAggMap.put(feat,"min");
}
if(n>0){
pivotColNames[n - 1] = String.valueOf(i) + "_min" + "(" + feat + ")";
}
n++;
}
}
// 对表格进行透视、特征字段合并、得到outputCol
Dataset<Row> transformed = joinedDf.groupBy(joinedDf.col(idColName+"_c"), joinedDf.col(rnColName+"_c")).pivot(pivotRnColName).agg(featAggMap);
transformed = transformed.withColumn(outputCol, functions.array(firstPivotColName,pivotColNames));
// 将outputCol连到原df上，保证经过transform后的df只在原数据基础上新增一列
Column joinExprT = df.col(idColName).equalTo(transformed.col(idColName+"_c")).and(df.col(rnColName).equalTo(transformed.col(rnColName+"_c")));
df = df.join(transformed.select(idColName+"_c",rnColName+"_c",outputCol),joinExprT,"left").drop(idColName+"_c",rnColName+"_c");
return df;
}
@Override
/**
* transformSchema中定义输入数据类型判断的逻辑，并返回一个与transform方法输出的Dataset相对应的schema
*/
public StructType transformSchema(StructType schema) {
HashSet<String> featColSet = new HashSet<String>(Arrays.asList(getFeatCols()));
StructField[] fields = schema.fields();
for(StructField field:fields){
if(featColSet.contains(field.name())){
if(!field.dataType().sameType(DoubleType)&&!field.dataType().sameType(IntegerType)){
throw new TypeConstraintException(String.format("featCol DataType need DoubleType or IntegerType, " +
"but column %s is a %s.",field.name(),field.dataType().typeName()));
}
}
}
StructType addedSchema = schema.add(getOutputCol(), new VectorUDT(), true);
return addedSchema;
}
@Override
public Transformer copy(ParamMap extra) {
return this.<SeqAssembler>defaultCopy(extra);
}
@Override
public String uid() {
return uid;
}
/**
* 调用DefaultParamsWriter和DefaultParamsReader实现write()/save(), read()/load()方法.
*/
@Override
public MLWriter write() {
MLWriter defaultParamsWriter = new DefaultParamsWriter(this);
return defaultParamsWriter;
}
@Override
public void save(String path) throws IOException {
write().saveImpl(path);
}
public static MLReader read() {
MLReader defaultParamsReader = new DefaultParamsReader();
return defaultParamsReader;
}
public static SeqAssembler load(String path) {
return (SeqAssembler) read().load(path);
}
}
单元测试代码如下：
import org.apache.spark.ml.Pipeline;
import org.apache.spark.ml.PipelineStage;
import org.apache.spark.ml.Transformer;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.RowFactory;
import org.apache.spark.sql.SparkSession;
import org.apache.spark.sql.types.DataTypes;
import org.apache.spark.sql.types.StructField;
import org.apache.spark.sql.types.StructType;
import org.junit.Test;
import java.io.IOException;
import java.util.ArrayList;
import java.util.List;
import static org.apache.spark.sql.types.DataTypes.*;
import static org.apache.spark.sql.types.DataTypes.IntegerType;
/**
* @author wangjiahui
* @create 2023-01-25-20:51
*/
public class TestClient {
@Test
public void testSeqAssembler(){
// 配置自己的SparkSession
SparkSession spark = LocalSparkSession.getSpark();
// 定义一个测试用的DataSet
List<Row> rows = new ArrayList<>();
Row row1 = RowFactory.create("a",1, 2.1, 1, 1);
Row row2 = RowFactory.create("b",1, 2.0, 3, 2);
Row row3 = RowFactory.create("b",2, 2.3, 4, 1);
Row row4 = RowFactory.create("c",1, 3.1, 3, 3);
Row row5 = RowFactory.create("c",2, 1.5, 3, 7);
Row row6 = RowFactory.create("c",3, 4.2, 4, 2);
rows.add(row1);
rows.add(row2);
rows.add(row3);
rows.add(row4);
rows.add(row5);
rows.add(row6);
List<StructField> fields = new ArrayList<StructField>();
StructField col1 = DataTypes.createStructField("user_id", StringType, true);
StructField col2 = DataTypes.createStructField("buy_rn", IntegerType, true);
StructField col3 = DataTypes.createStructField("feat_1", DoubleType, true);
StructField col4 = DataTypes.createStructField("feat_2", IntegerType, true);
StructField col5= DataTypes.createStructField("feat_3", IntegerType, true);
fields.add(col1);
fields.add(col2);
fields.add(col3);
fields.add(col4);
fields.add(col5);
StructType schema = DataTypes.createStructType(fields);
Dataset dfr = spark.createDataFrame(rows,schema);
Dataset<Row> df = dfr.toDF();
df = df.persist();
System.out.println("in:");
df.show();
df.printSchema();
// 定义两个seqAssembler
String[] featCols = new String[] {"feat_1", "feat_2", "feat_3"};
SeqAssembler seqAssembler1 = new SeqAssembler()
.setIdCol("user_id")
.setRnCol("buy_rn")
.setLimitRn(3)
.setFeatCols(featCols)
.setOutputCol("features");
SeqAssembler seqAssembler2 = new SeqAssembler()
.setIdCol("user_id")
.setRnCol("buy_rn")
.setLimitRn(2)
.setFeatCols(featCols)
.setOutputCol("features");
// Dataset<Row> transformed = seqAssembler.transform(df);
// 定义pipeline
List<PipelineStage> pipelineStages = new ArrayList<>();
pipelineStages.add(seqAssembler1);
pipelineStages.add(seqAssembler2);
Pipeline pipeline = new Pipeline();
pipeline.setStages(pipelineStages.toArray(new PipelineStage[pipelineStages.size()]));
// 写入
try {
pipeline.write().overwrite().save("oss://<自己的路径>");
} catch (IOException e) {
e.printStackTrace();
}
// 读取
Pipeline loadedPipeline = Pipeline.load("oss://<自己的路径>");
Transformer seqAssemblerLoad = (Transformer) loadedPipeline.getStages()[0];
// 使用
Dataset<Row> transformed = seqAssemblerLoad.transform(df);
System.out.println("out: ");
transformed.show(false);
transformed.printSchema();
spark.close();
}
}
3. Pipeline的存储文件
在oss/hdfs上找到上面单元测试中pipeline的存储路径，并将存储文件夹下载到本地，pipeline存储文件夹中包含metadata, stages两个目录，metadata中存放的是pipeline的信息，包括pipeline的uid、对应stage的uid等。pipeline metadata文件如下：
stages目录中存放的是我们定义的两个SeqAssembler的metadata，SeqAssembler的metadata中的文件内容与pipeline的metadata中的文件内容类似，记录了SeqAssembler相关信息与Param数据：
小结
在这篇文章中我们介绍了使用java开发spark如何自定义PipelineStage，并用一个SeqAssembler的例子对自定义PipelineStage中的一些注意事项进行了说明。相信这篇文章对不少java的spark开发者有一定的帮助。
加载全部内容