你可以用SQLContext.createDataFrame的方法来做：

import org.apache.spark.sql.catalyst.ScalaReflection
val schema = ScalaReflection.schemaFor[TestCase].dataType.asInstanceOf[StructType]

字符串

我知道这个问题已经快一年了，但我遇到了它，并认为其他人也可能想知道我刚刚学会使用这种方法：

import org.apache.spark.sql.Encoders
val mySchema = Encoders.product[MyCaseClass].schema

字符串

如果有人想为自定义Java Bean这样做：

ExpressionEncoder.javaBean(Event.class).schema().json()

字符串

与其手动复制用于创建传递给toDF的隐式Encoder对象的逻辑，我们可以直接使用它（或者更准确地说，以与toDF相同的方式隐式地使用它）：

// spark: SparkSession

import spark.implicits._

implicitly[Encoder[MyCaseClass]].schema

字符串
不幸的是，这实际上遇到了与其他答案中使用org.apache.spark.sql.catalyst或Encoders相同的问题：Encoder特性是实验性的。

这是如何工作的？Seq上的toDF方法来自DatasetHolder，它是通过spark.implicits._导入的隐式localSeqToDatasetHolder创建的。该函数的定义如下：

implicit def localSeqToDatasetHolder[T](s: Seq[T])(implicit arg0: Encoder[T]): DatasetHolder[T]

型
如您所见，它接受一个implicitEncoder[T]参数，对于case class，可以通过newProductEncoder计算该参数（也通过spark.implicits._导入）。我们可以通过方便的scala.Predef.implicitly来重现这个隐式逻辑，为我们的case类获取一个Encoder。（默认情况下在作用域中，因为它来自Predef），它将只返回其请求的隐式参数：

def implicitly[T](implicit e: T): T

型