下面是一个使用Apache Spark ML Pipeline过滤数据集中的空行的示例代码：

import org.apache.spark.ml.Pipeline
import org.apache.spark.ml.feature.VectorAssembler
import org.apache.spark.ml.linalg.Vectors
import org.apache.spark.sql.SparkSession

// 创建SparkSession
val spark = SparkSession.builder()
  .appName("Spark ML Pipeline Example")
  .master("local")
  .getOrCreate()

// 创建数据集
val data = Seq(
  (1, Vectors.dense(2.0, 1.0, 3.0)),
  (2, Vectors.dense(4.0, 0.0, 1.0)),
  (3, Vectors.dense(3.0, 1.0, 2.0)),
  (4, null),
  (5, Vectors.dense(1.0, 2.0, 3.0))
).toDF("id", "features")

// 使用VectorAssembler将features列转换为向量
val assembler = new VectorAssembler()
  .setInputCols(Array("features"))
  .setOutputCol("vector_features")

// 创建Pipeline
val pipeline = new Pipeline()
  .setStages(Array(assembler))

// 将空行过滤掉
val filteredData = data.filter(row => row.getAs[Any]("features") != null)

// 使用Pipeline对数据集进行转换
val transformedData = pipeline.fit(filteredData).transform(filteredData)

// 打印转换后的数据集
transformedData.show()

上述代码中，我们使用VectorAssembler将features列转换为向量，并将其设置为Pipeline的一个阶段。然后，我们使用filter函数过滤掉数据集中的空行。最后，我们使用fit和transform方法对数据集进行转换，并打印转换后的结果。

请注意，上述代码假设您已经在Spark环境中正确配置了Apache Spark和相关的依赖项。