Java開發(fā)Spark應(yīng)用程序自定義PipeLineStage詳解
更新時(shí)間：2023年02月01日 11:15:42 作者：KYs_Daddy
這篇文章主要為大家介紹了Java開發(fā)Spark應(yīng)用程序自定義PipeLineStage詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪
引言
在Spark中使用Pipeline進(jìn)行數(shù)據(jù)建模是一種非常高效的手段。作為Pipeline中基本數(shù)據(jù)加工處理單元——PipelineStage，Spark提供了用戶自定義的抽象子類Transformer和Estimator。
關(guān)于自定義PipelineStage的詳細(xì)方法，大部分的資料和介紹都是基于scala的。少數(shù)基于Java的介紹都極不完整，有些可能還存在一定的誤導(dǎo)。所以接下來我們將系統(tǒng)的介紹用Java開發(fā)Spark如何自定義PipelineStage。
本文使用環(huán)境：Spark-2.3.0，Java 8。
背景知識(shí)介紹
在spark中構(gòu)建一條Pipeline需要串聯(lián)多個(gè)PipelineStage，每個(gè)PipelineStage單獨(dú)處理一個(gè)數(shù)據(jù)加工環(huán)節(jié)，如數(shù)據(jù)清洗、特征提取、特征選擇、預(yù)估等。PipelineStage按是否有訓(xùn)練訓(xùn)練方法分為Transformer和Estimator兩個(gè)抽象子類。其中Estimator可以進(jìn)行訓(xùn)練，有fit抽象方法要實(shí)現(xiàn)。
用于分類回歸等任務(wù)的Predictor都繼承于Estimator；而Transformer無需訓(xùn)練，沒有fit方法，一般的數(shù)據(jù)轉(zhuǎn)換器如VectorAssembler、StopWordsRemover等都是Transformer的子類。值得注意的是，所有由Estimator訓(xùn)練得到的Model類也都是Transformer的子類。
自定義PipelineStage需要繼承Transformer或Estimator并實(shí)現(xiàn)他們的方法。除此之外，我們自定義的PipelineStage要能同其他官方定義的PipelineStage一樣按照統(tǒng)一的讀寫流程進(jìn)行存儲(chǔ)和加載。PipelineStage讀寫基于Param對(duì)象，PipelineStage中的成員變量需要用Param類進(jìn)行封裝，然后用PipelineStage類中已實(shí)現(xiàn)的Params接口方法對(duì)封裝后的成員變量進(jìn)行統(tǒng)一訪問和處理。由于PipelineStage具有以上特性，我們自定義PipelineStage至少需要以下幾個(gè)步驟：
- 繼承Transformer或Estimator抽象類；
- 定義由Param封裝的成員變量，并通過調(diào)用由PipelineStage類實(shí)現(xiàn)的Params接口方法，定義對(duì)成員變量進(jìn)行操作的方法；
- 實(shí)現(xiàn)Transformer或Estimator中的fit、transform等核心抽象方法；
- 定義或?qū)崿F(xiàn)讀寫方法用于存儲(chǔ)和加載對(duì)象實(shí)例。
下面我們將自定義一個(gè)Transformer，并對(duì)其中的一些細(xì)節(jié)與要點(diǎn)進(jìn)行詳述。
定義一個(gè)Transformer
1. 場景介紹
本例定義一個(gè)名為SeqAssembler的Transformer，用于提取用戶最近n次（n>=0,包括本單）下單的序列特征。 輸入Dataset包括以下字段：user_id, buy_rn, feat1, feat2, feat3。經(jīng)過SeqAssembler后輸出：user_id, buy_rn, feat1, feat2, feat3, features。 其中features為數(shù)組類型，shape (3n, ) ：
輸入：
輸出：
2. 代碼實(shí)現(xiàn)
2.1 定義并封裝成員變量
SeqAssembler中要定義如下成員變量：
private String idCol; private String rnCol; private String[] featCols; private String outputCol; private Integer limitRn;
使用org.apache.spark.ml.param.Param對(duì)成員變量進(jìn)行封裝，String[] 用StringArrayParam封裝, Integer成員變量采用String類型的Param進(jìn)行封裝，方便保存的時(shí)候進(jìn)行Json化，封裝后的成員變量如下：
private Param<String> idCol; private Param<String> rnCol; private StringArrayParam featCols; private Param<String> outputCol; private Param<String> limitRn; //Integer成員變量需要用String類型Param封裝，由于保存時(shí)要調(diào)用JsonEncoder方法，JsonEncoder僅支持String、數(shù)組等類型的數(shù)據(jù)。
此外我們還需要定義一個(gè)名為uid成員變量，用于識(shí)別SeqAssembler對(duì)象，并定義至少兩個(gè)構(gòu)造器，需要注意的細(xì)節(jié)如下：
- uid不用聲明成靜態(tài)的，同一Spark進(jìn)程下初始化多個(gè)SeqAssembler對(duì)象，每個(gè)SeqAssembler對(duì)象都要有自己的uid，不用全局唯一。
- uid的初始化需要在Param成員變量初始化之前，有了uid之后才能進(jìn)行Param成員變量的初始化。
- 需要至少定義兩個(gè)構(gòu)造器，其中一個(gè)是無參構(gòu)造器，另一個(gè)是需要傳入唯一參數(shù)String uid的有參構(gòu)造器，有參構(gòu)造器用于load過程中構(gòu)造SeqAssembler對(duì)象。各成員變量需要在構(gòu)造器中完成初始化。
至此，SeqAssembler類中定義內(nèi)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;
/**
* 定義一個(gè)輔助Param初始化的方法，在構(gòu)造器中對(duì)各Param成員變量進(jìn)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類型成員變量前
initParam();
}
public SeqAssembler(String value){
uid = value; //uid初始化在Param類型成員變量前
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;
}
}
接著定義get、set方法，調(diào)用PipelineStage類中已實(shí)現(xiàn)的Params接口下的$()和set()方法，方便對(duì)Param封裝后的成員變量進(jìn)行賦值取值操作。
/**
* 定義對(duì)Param成員變量進(jìn)行操作的get/set方法, 通過調(diào)用PipelineStage類中已實(shí)現(xiàn)的Params的$()、set()方法對(duì)
* Param成員變量進(jìn)行操作。
* $()、set()對(duì)Param進(jìn)行操作前會(huì)調(diào)用shouldOwn()，驗(yàn)證被操作的Param成員變量是否已經(jīng)被維護(hù)到params數(shù)組中
*/
public String getIdCol() {
return this.$(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，我們還需要為每個(gè)Param定義一個(gè)public方法，因?yàn)镻arams接口會(huì)延遲加載并生成一個(gè)名為params數(shù)組。延遲加載時(shí)通過反射掃描一遍public方法, 將作為返回值的Param成員變量維護(hù)進(jìn)params數(shù)組中。
Params源碼中通過反射延遲加載params數(shù)組：
DefaultParamsReader的load方法中通過params數(shù)組反射構(gòu)造對(duì)象：
如果Param封裝的字段缺乏作用域pubic、無參、返回類型為對(duì)應(yīng)Param的方法，在load過程中通過反射構(gòu)造出的對(duì)象會(huì)出現(xiàn)成員變量缺失，用讀取的metadata裝配時(shí)會(huì)出錯(cuò)。 因此我們需要為每個(gè)Param定義如下方法：
/**
* 需要為每個(gè)Param定義一個(gè)public方法, 因?yàn)镻arams會(huì)延遲加載并生成一個(gè)Param[] params數(shù)組,
* params的生成方式是通過反射掃描一遍public方法, 將作為返回值的Param成員變量維護(hù)進(jìn)params數(shù)組中。
*
* org.apache.spark.ml.param.shared下的所有接口都有一個(gè)以Param類型為返回值的方法，也是為了方便子類
* 通過實(shí)現(xiàn)org.apache.spark.ml.param.shared接口，達(dá)到將Param成員變量維護(hù)進(jìn)params數(shù)組的目的。
*/
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的源碼不難發(fā)現(xiàn)，官方的各個(gè)Transformer子類都實(shí)現(xiàn)org.apache.spark.ml.param.shared包下HasInputCols、HasOutputCol等接口，這些接口下都有一個(gè)滿足以上3要素（public、無參、Param類型返回）的方法，用途與我們上面為每個(gè)Param定義的方法類似。
2.2 實(shí)現(xiàn)抽象方法
接下來，我們需要實(shí)現(xiàn)從Transformer類中繼承來各個(gè)抽象方法，包括transform、transformSchema、copy、uid。
transform方法中包含的是整個(gè)數(shù)據(jù)處理的邏輯，該方法定義的原則是不改變?cè)瓟?shù)據(jù)的字段與條數(shù)，只在原數(shù)據(jù)基礎(chǔ)上新增字段。下面實(shí)現(xiàn)的transform方法用于本例中最近幾次下單 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();
// 獲取原始數(shù)據(jù)中rn字段下最大值
Integer maxRN = (Integer) df.groupBy().max(rnColName).first().get(0);
// 限制設(shè)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));
}
// 定義一個(gè)備用的Dataset df_c
Dataset<Row> df_c = df.select(idColName,rnColName);
df_c = df_c.withColumnRenamed(idColName,idColName+"_c")
.withColumnRenamed(rnColName, rnColName+"_c");
// 將df與df_c進(jìn)行連接，連接條件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 最近購買次序列，當(dāng)前次的值0
String pivotRnColName = rnColName+"_p";
joinedDf = joinedDf.withColumn(pivotRnColName,joinedDf.col(rnColName+"_c").minus(joinedDf.col(rnColName)));
// 表格透視前的準(zhǔn)備工作，定義一些map和array，用于記錄表格透視計(jì)算規(guī)則和透視后的列名
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++;
}
}
// 對(duì)表格進(jìn)行透視、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));
// 將outputCol連到原df上，保證經(jīng)過transform后的df只在原數(shù)據(jù)基礎(chǔ)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;
}
實(shí)現(xiàn)transformSchema方法，通常在其中定義輸入數(shù)據(jù)類型判斷的邏輯，并返回一個(gè)與transform方法輸出的Dataset相對(duì)應(yīng)的schema：
@Override
/**
* transformSchema中定義輸入數(shù)據(jù)類型判斷的邏輯，并返回一個(gè)與transform方法輸出的Dataset相對(duì)應(yīng)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;
}
實(shí)現(xiàn)uid與copy方法：
@Override
public Transformer copy(ParamMap extra) {
return this.<SeqAssembler>defaultCopy(extra);
}
@Override
public String uid() {
return uid;
}
最后，我們需要實(shí)現(xiàn)和定義讀寫方法，其中用于寫的兩個(gè)方法write()、save()通過實(shí)現(xiàn) DefaultParamsWritable接口來實(shí)現(xiàn)；用于讀的兩個(gè)方法read()、load()直接自定義實(shí)現(xiàn)，需要聲明為靜態(tài)方法。
/**
* 調(diào)用DefaultParamsWriter和DefaultParamsReader實(shí)現(xiàn)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);
}
最終完整的SeqAssembler類如下：
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;
/**
* 定義一個(gè)輔助Param初始化的方法，在構(gòu)造器中對(duì)各Param成員變量進(jìn)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類型成員變量前
initParam();
}
public SeqAssembler(String value){
uid = value; //uid初始化在Param類型成員變量前
initParam();
}
/**
* 需要為每個(gè)Param定義一個(gè)public方法, 因?yàn)镻arams會(huì)延遲加載并生成一個(gè)Param[] params數(shù)組,
* params的生成方式是通過反射掃描一遍public方法, 將作為返回值的Param成員變量維護(hù)進(jìn)params數(shù)組中。
*
* org.apache.spark.ml.param.shared下的所有接口都有一個(gè)以Param類型為返回值的方法，也是為了方便子類
* 通過實(shí)現(xiàn)org.apache.spark.ml.param.shared接口，達(dá)到將Param成員變量維護(hù)進(jìn)params數(shù)組的目的。
*/
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;
}
/**
* 定義對(duì)Param成員變量進(jìn)行操作的get/set方法, 通過調(diào)用PipelineStage類中已實(shí)現(xiàn)的Params的$()、set()方法對(duì)
* Param成員變量進(jìn)行操作。
* $()、set()對(duì)Param進(jìn)行操作前會(huì)調(diào)用shouldOwn()，驗(yàn)證被操作的Param成員變量是否已經(jīng)被維護(hù)到params數(shù)組中
*/
public String getIdCol() {
return this.$(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();
// 獲取原始數(shù)據(jù)中rn字段下最大值
Integer maxRN = (Integer) df.groupBy().max(rnColName).first().get(0);
// 限制設(shè)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));
}
// 定義一個(gè)備用的Dataset df_c
Dataset<Row> df_c = df.select(idColName,rnColName);
df_c = df_c.withColumnRenamed(idColName,idColName+"_c")
.withColumnRenamed(rnColName, rnColName+"_c");
// 將df與df_c進(jìn)行連接，連接條件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 最近購買次序列，當(dāng)前次的值0
String pivotRnColName = rnColName+"_p";
joinedDf = joinedDf.withColumn(pivotRnColName,joinedDf.col(rnColName+"_c").minus(joinedDf.col(rnColName)));
// 表格透視前的準(zhǔn)備工作，定義一些map和array，用于記錄表格透視計(jì)算規(guī)則和透視后的列名
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++;
}
}
// 對(duì)表格進(jìn)行透視、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));
// 將outputCol連到原df上，保證經(jīng)過transform后的df只在原數(shù)據(jù)基礎(chǔ)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中定義輸入數(shù)據(jù)類型判斷的邏輯，并返回一個(gè)與transform方法輸出的Dataset相對(duì)應(yīng)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;
}
/**
* 調(diào)用DefaultParamsWriter和DefaultParamsReader實(shí)現(xiàn)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);
}
}
單元測試代碼如下：
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();
// 定義一個(gè)測試用的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();
// 定義兩個(gè)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);
// 定義pipeline
List<PipelineStage> pipelineStages = new ArrayList<>();
pipelineStages.add(seqAssembler1);
pipelineStages.add(seqAssembler2);
Pipeline pipeline = new Pipeline();
pipeline.setStages(pipelineStages.toArray(new PipelineStage[pipelineStages.size()]));
// 寫入
try {
pipeline.write().overwrite().save("oss://<自己的路徑>");
} catch (IOException e) {
e.printStackTrace();
}
// 讀取
Pipeline loadedPipeline = Pipeline.load("oss://<自己的路徑>");
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的存儲(chǔ)文件
在oss/hdfs上找到上面單元測試中pipeline的存儲(chǔ)路徑，并將存儲(chǔ)文件夾下載到本地，pipeline存儲(chǔ)文件夾中包含metadata, stages兩個(gè)目錄，metadata中存放的是pipeline的信息，包括pipeline的uid、對(duì)應(yīng)stage的uid等。pipeline metadata文件如下：
stages目錄中存放的是我們定義的兩個(gè)SeqAssembler的metadata，SeqAssembler的metadata中的文件內(nèi)容與pipeline的metadata中的文件內(nèi)容類似，記錄了SeqAssembler相關(guān)信息與Param數(shù)據(jù)：
小結(jié)
在這篇文章中我們介紹了使用java開發(fā)spark如何自定義PipelineStage，并用一個(gè)SeqAssembler的例子對(duì)自定義PipelineStage中的一些注意事項(xiàng)進(jìn)行了說明。相信這篇文章對(duì)不少java的spark開發(fā)者有一定的幫助。
以上就是Java開發(fā)Spark應(yīng)用程序自定義PipeLineStage詳解的詳細(xì)內(nèi)容，更多關(guān)于Java Spark自定義PipeLineStage的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！
相關(guān)文章
Java連接SAP RFC實(shí)現(xiàn)數(shù)據(jù)抽取的示例詳解
這篇文章主要為大家學(xué)習(xí)介紹了Java如何連接SAP RFC實(shí)現(xiàn)數(shù)據(jù)抽取的功能，文中的示例代碼講解詳細(xì)，具有一定的參考價(jià)值，需要的可以了解下2023-08-08
大家好，本篇文章主要講的是Java中接口的多態(tài)詳解，感興趣的同學(xué)趕快來看一看吧，對(duì)你有幫助的話記得收藏一下2022-02-02
這篇文章主要介紹了Java的main方法使用及說明,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2024-08-08
Lombok是Java開發(fā)的插件,通過注解自動(dòng)生成常用代碼,如getter/setter,節(jié)省開發(fā)時(shí)間,提高效率,它在編譯期生成方法,不影響性能,安裝Lombok需要添加Maven依賴和IDEA插件,使用注解如@Data、@Getter等簡化代碼編寫,官網(wǎng)提供詳細(xì)文檔2024-09-09
這篇文章主要介紹了java組裝樹形結(jié)構(gòu)List問題,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2023-08-08
這篇文章主要介紹了java到底是值傳遞還是引用傳遞的相關(guān)知識(shí)，本文通過幾個(gè)例子給大家介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2020-06-06
使用Spring?Boot?2.x構(gòu)建Web服務(wù)的詳細(xì)代碼
這篇文章主要介紹了使用Spring?Boot?2.x構(gòu)建Web服務(wù)的詳細(xì)代碼,主要基于JWT的身份認(rèn)證，本文通過實(shí)例代碼給大家介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值，需要的朋友可以參考下2022-03-03
這篇文章主要介紹了Java基礎(chǔ)之常用的命令行指令,文中有非常詳細(xì)的圖文示例,對(duì)正在學(xué)習(xí)java基礎(chǔ)的小伙伴們有非常好的幫助,需要的朋友可以參考下2021-04-04
Maven中兩個(gè)命令clean 和 install的使用
Maven是一個(gè)項(xiàng)目管理和自動(dòng)構(gòu)建工具,clean命令用于刪除項(xiàng)目中由先前構(gòu)建生成的target目錄,install命令用于將打包好的jar包安裝到本地倉庫中,供其他項(xiàng)目依賴使用,下面就來詳細(xì)的介紹一下這兩個(gè)命令2024-09-09
Java代碼實(shí)現(xiàn)隨機(jī)生成漢字的方法
今天小編就為大家分享一篇關(guān)于Java代碼實(shí)現(xiàn)隨機(jī)生成漢字的方法，小編覺得內(nèi)容挺不錯(cuò)的，現(xiàn)在分享給大家，具有很好的參考價(jià)值，需要的朋友一起跟隨小編來看看吧2019-03-03