该错误指出，ApacheSpark不能自动将数据库中的BigDecimal(30，6)转换为数据集中需要的BigDecimal(38，18)(我不知道它为什么需要固定的参数38，18。更奇怪的是，Spark不能自动将低精度的类型转换为高精度的类型)。
报告了一个错误：https://issues.apache.org/jira/browse/SPARK-20162(可能是您)。无论如何，我发现通过将列转换为DataFrame中的BigDecimal(38，18)，然后将DataFrame转换为DataSet，可以很好地解决读取数据的问题。

//first read data to dataframe with any way suitable for you
var df: DataFrame = ???
val dfSchema = df.schema

import org.apache.spark.sql.functions._
import org.apache.spark.sql.types.DecimalType
dfSchema.foreach { field =>
  field.dataType match {
    case t: DecimalType if t != DecimalType(38, 18) =>
      df = df.withColumn(field.name, col(field.name).cast(DecimalType(38,18)))
  }
}
df.as[YourCaseClassWithBigDecimal]

它应该能解决阅读方面的问题(但我想不能解决写作方面的问题)

如前所述，由于您的数据库使用DecimalType(30,6)，这意味着您总共有30个槽和小数点之后的6个槽，这使得30-6=24用于小数点前面的区域。我喜欢称它为(24 left, 6 right)大小数。这当然不适合(20 left, 18 right)(即DecimalType(38,18))，因为后者在左侧没有足够的插槽(需要20个对24个)。我们在DecimalType(38,18)中只有20个左侧插槽，但我们需要24个左侧插槽来容纳您的DecimalType(30,6)。
在这里，我们可以做的是将(24 left, 6 right)向下转换为(20 left, 6 right)(即DecimalType(26,6))，这样当它被自动转换为(20 left, 18 right)(即DecimalType(38,18))时，两边都会适合。您的DecimalType(26,6)将有20个左侧插槽，使其可以安装在DecimalType(38,18)中，当然，6个右侧插槽将适合18个插槽。
执行此操作的方法是在将任何内容转换为DataSet之前，对DataFrame运行以下操作：

val downCastableData = 
  originalData.withColumn("amount", $"amount".cast(DecimalType(26,6)))

那么转换到Dataset应该是可行的。
(实际上，您可以强制转换为任何(20 left, 6 right)或更小的值，例如(19 left, 5 right)等)。

虽然我没有解决方案，但我对正在发生的事情的理解是：
默认情况下，Spark会将case class中的Decimal类型(或BigDecimal)的架构推断为DecimalType(38, 18)(请参见org.apache.spark.sql.types.DecimalType.SYSTEM_DEFAULT)。38表示Decimal总共可以容纳38位(小数点左右)，而18表示18其中38位保留给小数点右侧。这意味着Decimal(38, 18)的小数点左侧可能有20位数字。您的MySQL模式是decimal(30, 6)，这意味着它可能包含小数点左侧24位(30-6)和小数点右侧6位的值。由于24位数大于20位数，因此在从MySQL模式转换为Decimal类型时，可能会有截断的值。
不幸的是，从Scala case class推断模式被Spark开发人员视为一种便利，他们选择不支持程序员为case class中的Decimal或BigDecimal类型指定精度和小数位数(请参阅https://issues.apache.org/jira/browse/SPARK-18484)

基于@user2737635的回答，您可以使用foldLeft而不是foreach，以避免将数据集定义为var并重新定义它：

//first read data to dataframe with any way suitable for you
val df: DataFrame = ???
val dfSchema = df.schema

import org.apache.spark.sql.functions._
import org.apache.spark.sql.types.DecimalType
dfSchema.foldLeft(df){ 
  (dataframe, field) =>  field.dataType match {
    case t: DecimalType if t != DecimalType(38, 18) => dataframe.withColumn(field.name, col(field.name).cast(DecimalType(38, 18)))
    case _ => dataframe
  }
}.as[YourCaseClassWithBigDecimal]

我们正在通过定义我们自己的Encoder来解决这个问题，我们在调用位置.as使用它。我们使用知道正确精度和小数位数的StructType生成Encoder(参见下面的代码链接)。
https://issues.apache.org/jira/browse/SPARK-27339

根据pyspark的说法，Decimal(38,18)是默认设置。
创建DecimalType时，默认精度和小数位数为(10，0)。当从decimal.Decimal对象推断架构时，它将是DecimalType(38，18)。