如何在 Spark 2.4 中加载自定义变压器

我正在尝试在 Spark 2.4.0 中创建自定义变压器。保存起来效果很好。但是，当我尝试加载它时，出现以下错误：

java.lang.NoSuchMethodException: TestTransformer.<init>(java.lang.String)
  at java.lang.Class.getConstructor0(Class.java:3082)
  at java.lang.Class.getConstructor(Class.java:1825)
  at org.apache.spark.ml.util.DefaultParamsReader.load(ReadWrite.scala:496)
  at org.apache.spark.ml.util.MLReadable$class.load(ReadWrite.scala:380)
  at TestTransformer$.load(<console>:40)
  ... 31 elided

这对我来说意味着它找不到我的变压器的构造函数，这对我来说并没有什么意义。

MCVE:

import org.apache.spark.sql.{Dataset, DataFrame}
import org.apache.spark.sql.types.{StructType}
import org.apache.spark.ml.Transformer
import org.apache.spark.ml.param.ParamMap
import org.apache.spark.ml.util.{DefaultParamsReadable, DefaultParamsWritable, Identifiable}

class TestTransformer(override val uid: String) extends Transformer with DefaultParamsWritable{

    def this() = this(Identifiable.randomUID("TestTransformer"))

    override def transform(df: Dataset[_]): DataFrame = {
        val columns = df.columns
        df.select(columns.head, columns.tail: _*)
    }

    override def transformSchema(schema: StructType): StructType = {
        schema
    }

    override def copy(extra: ParamMap): TestTransformer = defaultCopy[TestTransformer](extra)
}

object TestTransformer extends DefaultParamsReadable[TestTransformer]{

    override def load(path: String): TestTransformer = super.load(path)

}

val transformer = new TestTransformer("test")

transformer.write.overwrite().save("test_transformer")
TestTransformer.load("test_transformer")

运行这个（我使用的是 Jupyter 笔记本）会导致上述错误。我尝试将其编译并作为 .jar 文件运行，没有任何区别。

让我困惑的是，等效的 PySpark 代码运行良好：

from pyspark.sql import SparkSession, DataFrame
from pyspark.ml import Transformer
from pyspark.ml.util import DefaultParamsReadable, DefaultParamsWritable

class TestTransformer(Transformer, DefaultParamsWritable, DefaultParamsReadable):

    def transform(self, df: DataFrame) -> DataFrame:
        return df

TestTransformer().save('test_transformer')
TestTransformer.load('test_transformer')

如何制作可保存和加载的自定义 Spark 变压器？

我可以在 Spark-Shell 中重现您的问题。

试图找到我所研究的问题的根源DefaultParamsReadable and DefaultParamsReader来源，我可以看到他们利用了 Java 反射。

https://github.com/apache/spark/blob/v2.4.0/mllib/src/main/scala/org/apache/spark/ml/util/ReadWrite.scala https://github.com/apache/spark/blob/v2.4.0/mllib/src/main/scala/org/apache/spark/ml/util/ReadWrite.scala

第 495-496 行

val instance =
    cls.getConstructor(classOf[String]).newInstance(metadata.uid).asInstanceOf[Params]

我认为 scala REPL 和 Java 反射并不是好朋友。

如果您运行此代码片段（在您的代码片段之后）：

new TestTransformer().getClass.getConstructors

你会得到以下输出：

res1: Array[java.lang.reflect.Constructor[_]] = Array(public TestTransformer($iw), public TestTransformer($iw,java.lang.String))

是真的！TestTransformer.<init>(java.lang.String)不存在。

我找到了 2 个解决方法，

1. 使用 sbt 编译代码并创建一个 jar，然后包含在 Spark-shell 中:require，为我工作（你提到你尝试过一个罐子，但我不知道怎么做）

2. 将代码粘贴到spark-shell中:paste -raw，也工作得很好。我想-raw防止 REPL 对你的类进行恶作剧。 看：https://docs.scala-lang.org/overviews/repl/overview.html https://docs.scala-lang.org/overviews/repl/overview.html

我不确定如何将这些内容适应 Jupyter，但我希望这些信息对您有用。

注意：我实际上在spark 2.4.1中使用了spark-shell