Spark 2数据集空值异常

在 Spark Dataset.filter 中出现此 null 错误

输入 CSV：

name,age,stat
abc,22,m
xyz,,s

工作代码：

case class Person(name: String, age: Long, stat: String)

val peopleDS = spark.read.option("inferSchema","true")
  .option("header", "true").option("delimiter", ",")
  .csv("./people.csv").as[Person]
peopleDS.show()
peopleDS.createOrReplaceTempView("people")
spark.sql("select * from people where age > 30").show()

失败代码（添加以下行返回错误):

val filteredDS = peopleDS.filter(_.age > 30)
filteredDS.show()

返回空错误

java.lang.RuntimeException: Null value appeared in non-nullable field:
- field (class: "scala.Long", name: "age")
- root class: "com.gcp.model.Person"
If the schema is inferred from a Scala tuple/case class, or a Java bean, please try to use scala.Option[_] or other nullable types (e.g. java.lang.Integer instead of int/scala.Int).

你得到的异常应该可以解释一切，但让我们一步一步地进行：

• 当使用加载数据时csv数据源所有字段都标记为nullable:

  val path: String = ???
  
  val peopleDF = spark.read
    .option("inferSchema","true")
    .option("header", "true")
    .option("delimiter", ",")
    .csv(path)
  
  peopleDF.printSchema
  

  root
  |-- name: string (nullable = true)
  |-- age: integer (nullable = true)
  |-- stat: string (nullable = true)
  

• 缺失字段表示为 SQLNULL

  peopleDF.where($"age".isNull).show
  

  +----+----+----+
  |name| age|stat|
  +----+----+----+
  | xyz|null|   s|
  +----+----+----+
  

• 接下来你转换Dataset[Row] to Dataset[Person]它使用Long编码age field. Long在 Scala 中不能null。因为输入模式是nullable，输出模式保持不变nullable尽管如此：

  val peopleDS = peopleDF.as[Person]
  
  peopleDS.printSchema
  

  root
   |-- name: string (nullable = true)
   |-- age: integer (nullable = true)
   |-- stat: string (nullable = true)
  

  请注意，它as[T]根本不影响架构。

• 当你查询时Dataset使用 SQL（在注册表上）或DataFrameSpark API 不会反序列化该对象。由于架构仍然是nullable我们可以执行：

  peopleDS.where($"age" > 30).show
  

  +----+---+----+
  |name|age|stat|
  +----+---+----+
  +----+---+----+
  

  没有任何问题。这只是一个简单的 SQL 逻辑NULL是一个有效值。

• 当我们使用静态类型时Dataset API:

  peopleDS.filter(_.age > 30)
  

  Spark 必须反序列化该对象。因为Long不可能是null (SQL NULL）它失败了，但你已经看到了异常。

  如果不是因为这个，你就会得到 NPE。

• 应使用正确的数据静态类型表示Optional types:

  case class Person(name: String, age: Option[Long], stat: String)
  

  具有调节过滤功能：

  peopleDS.filter(_.age.map(_ > 30).getOrElse(false))
  

  +----+---+----+
  |name|age|stat|
  +----+---+----+
  +----+---+----+
  

  如果您愿意，可以使用模式匹配：

  peopleDS.filter {
    case Some(age) => age > 30
    case _         => false     // or case None => false
  }
  

  请注意，您不必（但无论如何建议）使用可选类型name and stat。因为斯卡拉String只是一个JavaString有可能null。当然，如果您采用这种方法，您必须显式检查访问的值是否是null or not.

Related Spark 2.0 数据集与 DataFrame https://stackoverflow.com/q/40596638/6910411