如何在pyspark操作中轻松使用自定义类方法？

Question

我有一个类时，一个csv文件和一个pyspark运行时会话

你知道吗年龄.csv你知道吗

Name;Age
alpha;noise20noise
beta;noi 3 sE 0
gamma;n 4 oi 0 se
phi;n50ise
detla;3no5ise
kappa;No 4 i 5 sE
omega;25noIsE

它实际上被读取为（在分析年龄列之后）：

Name;Age
alpha;20
beta;30
gamma;40
phi;50
detla;35
kappa;45
omega;25

定义类别：年龄 年龄.py你知道吗

import re

class Age:
    # age is a number representing the age of a person
    def __init__(self, age):
        self.age = age

    def __eq__(self, other):
        return self.age == self.__parse(other)

    def __lt__(self, other):
        return self.age < self.__parse(other)

    def __gt__(self, other):
        return self.age > self.__parse(other)

    def __le__(self, other):
        return self.age <= self.__parse(other)

    def __ge__(self, other):
        return self.age >= self.__parse(other)

    def __parse(self, age):
        return int(''.join(re.findall(r'\d', age)))

# Let's test this class
if __name__ == '__main__':
    print(Age(18) == 'noise18noise')
    print(Age(18) <= 'aka 1 fakj 8 jal')
    print(Age(18) >= 'jaa 18 ka')
    print(Age(18) < '1 kda 9')
    print(Age(18) > 'akfa 1 na 7 noise')

Output:
True
True
True
True
True

测试确实有效。我想在Pypark中使用它

运行Pypark，读取年龄.csv和进口年龄

Using Python version 3.6.7 (default, Oct 23 2018 19:16:44)
SparkSession available as 'spark'.
>>> ages = spark.read.csv('ages.csv', sep=';', header=True)
19/01/28 14:44:18 WARN ObjectStore: Failed to get database global_temp, returning NoSuchObjectException
>>> ages.show()
+-----+------------+
| Name|         Age|
+-----+------------+
|alpha|noise20noise|
| beta|  noi 3 sE 0|
|gamma| n 4 oi 0 se|
|  phi|      n50ise|
|detla|     3no5ise|
|kappa| No 4 i 5 sE|
|omega|     25noIsE|
+-----+------------+

例如，我想让所有20岁的人

>>> from age import Age
>>> ages.filter(ages.Age == Age(20)).show()

这就是我得到的错误

Traceback (most recent call last):
File "<stdin>", line 1, in <module>
File "/opt/spark-2.3.1-bin-hadoop2.7/python/pyspark/sql/column.py", line 116, in _
    njc = getattr(self._jc, name)(jc)
File "/opt/spark-2.3.1-bin-hadoop2.7/python/lib/py4j-0.10.7-src.zip/py4j/java_gateway.py", line 1248, in __call__
File "/opt/spark-2.3.1-bin-hadoop2.7/python/lib/py4j-0.10.7-src.zip/py4j/java_gateway.py", line 1218, in _build_args
File "/opt/spark-2.3.1-bin-hadoop2.7/python/lib/py4j-0.10.7-src.zip/py4j/java_gateway.py", line 1218, in <listcomp>
File "/opt/spark-2.3.1-bin-hadoop2.7/python/lib/py4j-0.10.7-src.zip/py4j/protocol.py", line 298, in get_command_part
AttributeError: 'Age' object has no attribute '_get_object_id'

所以我的第一个问题是如何解决这个错误

这是我第一次尝试解决这个问题：我更改了class Age的定义，将str扩展如下：

你知道吗年龄.py你知道吗

...
class Age(str):
    ....

作为第二次尝试：

>>> ages.filter(ages.Age == Age(20)).show()
+----+---+
|Name|Age|
+----+---+
+----+---+

但我们仍然有：

>>> 'noise20noise' == Age(20)
True

正如你所看到的，AttributeError: 'Age' object has no attribute '_get_object_id'消失了，但它没有计算出正确的答案，这是我的第二个问题

我的尝试是： 我使用pyspark用户定义函数

>>> import pyspark.sql.functions as F
>>> import pyspark.sql.types as T
>>> eq20 = F.udf(lambda c: c == Age(20), T.BooleanType())
>>> ages.filter(eq20(ages.Age)).show()
+-----+------------+
| Name|         Age|
+-----+------------+
|alpha|noise20noise|
+-----+------------+

现在这就行了。 但事情是这样的： 我最喜欢第一个成语

>>> ages.filter(ages.Age == Age(20)).show()

更简单，更有表现力。我不想每次都定义eq20, eq21, less_than50, greater_than30, etc这样的函数

我可以在课堂上做这个定义，但我不知道怎么做。不过，到目前为止，我已经尝试使用python decorator

你知道吗年龄.py你知道吗

# other imports here
...

import pyspark.sql.functions as F
import pyspark.sql.types as T

def connect_to_pyspark(function):
    return F.udf(function, T.BooleanType())

class Age(str):
    ...

    @connect_to_pyspark
    def __eq__(self, other):
        return self.age == self.__parse(other)

    ...
    # do the same decorator for the other comparative methods

再次测试：

>>> ages.filter(ages.Age == Age(20)).show()
+----+---+
|Name|Age|
+----+---+
+----+---+

但它不起作用。或者我的装潢师写得不好？你知道吗

如何解决这一切？ 我解决第一个问题的办法够好吗？如果没有，该怎么办？如果是，如何解决第二个问题？你知道吗

Answer 1

获取ages.Age == Age(20)将非常困难，因为spark不尊重实现__eq__的python约定。稍后将对此进行详细介绍，但如果您可以执行Age(20) == ages.Age，那么您有一些选择。IMHO，最简单的方法是只在自定义项中包装解析逻辑：

parse_udf = F.udf(..., T.IntegerType())
class Age:
    ...
    def __eq__(self, other: Column):
        return F.lit(self.age) == parse_udf(other)

注意Age并不是str的子类，这只会造成一个伤害的世界。如果您想使用decorator，那么decorator不应该返回udf，它应该返回一个应用udf的函数。像这样：

import re
import pyspark.sql.functions as F
import pyspark.sql.types as T

def connect_to_pyspark(function):
  def helper(age, other):
    myUdf = F.udf(lambda item_from_other: function(age, item_from_other), T.BooleanType())
    return myUdf(other)
  return helper

class Age:

    def __init__(self, age):
      self.age = 45

    def __parse(self, other):
      return int(''.join(re.findall(r'\d', other)))

    @connect_to_pyspark
    def __eq__(self, other):
        return self.age == self.__parse(other)

ages.withColumn("eq20", Age(20) == df.Age).show()

更多关于为什么需要使用Ages(20) == ages.Age。在python中，如果您执行a == b，并且a的类不知道如何与b进行比较，那么它应该返回NotImplemented，然后python将尝试b.__eq__(a)，但是spark从不返回NotImplemented，因此Age的__eq__只有在表达式（）中首先有它时才会被调用。你知道吗