.as[]方法在源代码中有一些文档（我链接到v3.4.0，这是本文发布之日的最新版本）。重要的一点是：
如果数据集的架构与所需的U类型不匹配，则可以根据需要使用select沿着alias或as来重新排列或重命名。
请注意，as[]只更改传递到类型化操作（如map()）中的数据的视图，而不会立即投影掉指定类中不存在的任何列。
这意味着你看到的行为是完全预期的。由于.as[]不会急切地投影掉任何不存在于MyClass类中的列，因此您必须使用.select自己完成。
回答你的问题：通过只使用.as[]方法，你不能让这些错误发生。
请注意，您仍然可以对那些在模式中指定的列使用类型化操作。考虑以下示例：

scala> val df = Seq((1, 2), (3, 4)).toDF("col1", "col2")
scala> case class MyClass(col1: Int)

scala> df.show
+----+----+
|col1|col2|
+----+----+
|   1|   2|
|   3|   4|
+----+----+

scala> df.as[MyClass].map(_.col1 + 1).show
+-----+
|value|
+-----+
|    2|
|    4|
+-----+

如果真的想触发错误，可以通过手动比较模式来实现。一个非常简单的例子：

import org.apache.spark.sql.Encoders

val classSchema = Encoders.product[MyClass].schema
val dfSchema = df.schema

if (classSchema != dfSchema)
  throw new RuntimeException("Your schemas are not the same")

一种方法是使用SparkSessionExtensions.injectResolutionRule注册（inject）一个解析规则，这将扩展（improve）Analyzer的工作方式。
据说在分析之后，查询将产生一些结果。你必须阻止它，这就是解决规则的用武之地。
再进一步考虑，这样的基础设施不应该由用户代码（由开发人员编写）来处理，而应该由Spark SQL“平台”本身来处理。