Great Expectations 与 Spark Connect 兼容性问题分析与解决方案
背景介绍
Great Expectations 是一个开源的数据质量验证工具,它能够帮助数据团队定义、记录和验证数据质量预期。在最新版本中,用户在使用 Spark Connect 数据框架时遇到了兼容性问题,导致无法正常构建批处理请求。
问题现象
当用户尝试使用 Spark 3.5.0 及以上版本中的 Spark Connect DataFrame 时,Great Expectations 1.0.0 版本会抛出错误:"Bad input to build_batch_request: Can not build batch request for dataframe asset without a dataframe"。这是因为新版本 Spark 改变了 DataFrame 的导入路径,从原来的 pyspark.sql.DataFrame
变为了 pyspark.sql.connect.dataframe.DataFrame
。
技术分析
根本原因
Great Expectations 在 spark_datasource.py
文件中通过 isinstance()
检查 DataFrame 类型时,仅检查了传统的 pyspark.sql.DataFrame
类型,而没有考虑到 Spark Connect 引入的新 DataFrame 类型。这种严格的类型检查导致了兼容性问题。
版本差异
在 Great Expectations 0.18.19 版本中,这个问题不存在,因为当时的实现方式更加宽松,没有进行严格的类型检查。但随着 1.0.0 版本的重构,引入了更严格的类型验证机制,暴露了与 Spark Connect 的兼容性问题。
解决方案
官方修复
Great Expectations 团队在 1.0.5 版本中修复了这个问题,修改了类型检查逻辑,使其同时支持传统的 pyspark.sql.DataFrame
和新的 pyspark.sql.connect.dataframe.DataFrame
类型。用户只需升级到最新版本即可解决此问题。
迁移指南
对于从旧版本迁移的用户,需要注意以下几点变化:
- 上下文初始化:不再使用
BaseDataContext
,而是使用gx.get_context()
- 期望配置:
ExpectationConfiguration
的使用方式有所变化 - 验证流程:新的验证流程更加简洁,直接通过
batch.validate()
方法执行验证
最佳实践
新版本代码示例
以下是使用 Great Expectations 1.0.5+ 验证 Spark DataFrame 的推荐方式:
import great_expectations as gx
from pyspark.sql import SparkSession
# 初始化Spark会话
spark = SparkSession.builder.appName("GEExample").getOrCreate()
# 创建示例DataFrame
data = [("2023-01-10", "A", 40), ("2023-05-15", "A", 60)]
df = spark.createDataFrame(data, ["date", "product", "value"])
# 初始化Great Expectations上下文
context = gx.get_context()
# 配置数据源和数据资产
data_source = context.data_sources.add_spark(name="my_source")
data_asset = data_source.add_dataframe_asset(name="my_asset")
# 创建批处理定义
batch_def = data_asset.add_batch_definition_whole_dataframe("my_batch")
batch_params = {"dataframe": df}
# 获取批处理对象
batch = batch_def.get_batch(batch_parameters=batch_params)
# 定义并执行验证
expectation = gx.expectations.ExpectColumnValuesToBeBetween(
column="value", min_value=50, max_value=100
)
results = batch.validate(expectation)
处理JSON期望配置
对于需要从JSON加载期望配置的场景,可以使用以下方式:
from great_expectations.core import ExpectationSuite
from great_expectations.core.expectation_configuration import ExpectationConfiguration
# 假设json_schema包含期望配置
expectations_list = []
for ele in json_schema["expectations"]:
config = ExpectationConfiguration(
type=ele["expectation_type"],
kwargs=ele["kwargs"]
)
expectations_list.append(config)
# 创建期望套件
suite = ExpectationSuite(
name="my_suite",
expectations=expectations_list
)
context.suites.add(suite)
总结
Great Expectations 1.0.5+ 版本已经解决了与 Spark Connect 的兼容性问题,用户现在可以无缝地在 Spark 3.5.0 及以上版本中使用该工具进行数据质量验证。对于从旧版本迁移的用户,建议仔细阅读官方文档,了解API变化,并按照新的模式重构验证流程。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~057CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。07GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0381- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









