一篇文章搞懂DataSet、DataFrame、RDD
1. 三者共性:
1、RDD、DataFrame、Dataset全都是spark平臺下的分散式彈性資料集,為處理超大型資料提供便利
2、三者都有惰性機制,執行trainform操作時不會立即執行,遇到Action才會執行
3、三者都會根據spark的記憶體情況自動快取運算,這樣即使資料量很大,也不用擔心會記憶體溢位
4、三者都有partition的概念,如
var predata=data.repartition(24).mapPartitions{
PartLine => {
PartLine.map{
line =>
println(“轉換操作”)
}
}
}
這樣對每一個分割槽進行操作時,就跟在運算元組一樣,不但資料量比較小,而且可以方便的將map中的運算結果拿出來,如果直接用map,map中對外面的操作是無效的,如
val rdd=spark.sparkContext.parallelize(Seq(("a", 1), ("b", 1), ("a", 1)))
var flag=0
val test=rdd.map{line=>
println("執行" )
flag+=1
println(flag)
line._1
}
println(test.count)
println(flag)
/**
執行
1
執行
2
執行
3
3
0
* */
不使用partition時,對map之外的操作無法對map之外的變數造成影響
5、三者有許多共同的函式,如filter,排序等
6、在對DataFrame和Dataset進行操作許多操作都需要這個包進行支援
import SparkSession.implicits._
7、DataFrame和Dataset均可使用模式匹配獲取各個欄位的值和型別,為了提高穩健性,最好後面有一個_通配操作,這裡提供了DataFrame一個解析欄位的方法
DataFrame:
testDF.map{
case Row(col1:String,col2:Int)=>
println(col1);println(col2)
col1
case _=>
""
}
Dataset:
case class Coltest(col1:String,col2:Int)extends Serializable //定義欄位名和型別
testDS.map{
case Coltest(col1:String,col2:Int)=>
println(col1);println(col2)
col1
case _=>
""
}
2. 對比:
2.1 RDD:
1、RDD一般和spark mlib同時使用
2、RDD不支援sparksql操作
2.2 DataFrame和Dataset相同點:
1、DataFrame與Dataset一般與spark ml同時使用
2、DataFrame與Dataset均支援sparksql的操作,比如select,groupby之類,還能註冊臨時表/視窗,進行sql語句操作,如
dataDF.createOrReplaceTempView("tmp")
spark.sql("select ROW,DATE from tmp where DATE is not null order by DATE").show(100,false)
3、DataFrame與Dataset支援一些特別方便的儲存方式,比如儲存成csv,可以帶上表頭,這樣每一列的欄位名一目瞭然
//儲存
val saveoptions = Map("header" -> "true", "delimiter" -> "\t", "path" -> "hdfs://172.xx.xx.xx:9000/test")
datawDF.write.format("com.databricks.spark.csv").mode(SaveMode.Overwrite).options(saveoptions).save()
//讀取
val options = Map("header" -> "true", "delimiter" -> "\t", "path" -> "hdfs://172.xx.xx.xx:9000/test")
val datarDF= spark.read.options(options).format("com.databricks.spark.csv").load()
利用這樣的儲存方式,可以方便的獲得欄位名和列的對應,而且分隔符(delimiter)可以自由指定
2.3 DataFrame和Dataset不同點:
這裡主要對比Dataset和DataFrame,因為Dataset和DataFrame擁有完全相同的成員函式,區別只是每一行的資料型別不同
1)DataFrame也可以叫Dataset[Row],dataframe每一行的型別是Row(不解析的話無法得知每一行的欄位名和對應的欄位型別)
拿出dataframe行中特定欄位的方法有兩個:
getAS方法
testDF.foreach{
line =>
val col1=line.getAs[String]("col1")
val col2=line.getAs[String]("col2")
}
模式匹配
testDF.map{
case Row(col1:String,col2:Int)=>
println(col1);println(col2)
col1
case _=>
""
}
2) Dataset中,每一行是什麼型別是不一定的,在自定義了case class之後可以很自由的獲得每一行的資訊(可以定義欄位名和型別)
case class Coltest(col1:String,col2:Int)extends Serializable //定義欄位名和型別
/**
rdd
("a", 1)
("b", 1)
("a", 1)
* */
val test: Dataset[Coltest]=rdd.map{line=>
Coltest(line._1,line._2)
}.toDS
test.map{
line=>
println(line.col1)
println(line.col2)
}
可以看出,Dataset在需要訪問列中的某個欄位時是非常方便的,然而,如果要寫一些適配性很強的函式時,如果使用Dataset,行的型別又不確定,可能是各種case class,無法實現適配,這時候用DataFrame即Dataset[Row]就能比較好的解決問題
3. 轉化:
RDD、DataFrame、Dataset三者有許多共性,有各自適用的場景常常需要在三者之間轉換
DataFrame/Dataset轉RDD:
val rdd1=testDF.rdd
val rdd2=testDS.rdd
RDD轉DataFrame:
import spark.implicits._
val testDF = rdd.map {line=>
(line._1,line._2)
}.toDF("col1","col2")
一般用元組把一行的資料寫在一起,然後在toDF中指定欄位名
RDD轉Dataset:
import spark.implicits._
case class Coltest(col1:String,col2:Int)extends Serializable //定義欄位名和型別
val testDS = rdd.map {line=>
Coltest(line._1,line._2)
}.toDS
可以注意到,定義每一行的型別(case class)時,已經給出了欄位名和型別,後面只要往case class裡面新增值即可
Dataset轉DataFrame:
這個也很簡單,因為只是把case class封裝成Row
import spark.implicits._
val testDF = testDS.toDF
DataFrame轉Dataset:
import spark.implicits._
case class Coltest(col1:String,col2:Int)extends Serializable //定義欄位名和型別
val testDS = testDF.as[Coltest]
這種方法就是在給出每一列的型別後,使用as方法,轉成Dataset,這在資料型別是DataFrame又需要針對各個欄位處理時極為方便
參考資料:http://www.cnblogs.com/starwater/p/6841807.html
公眾號:大叔據 。
評論不能及時回覆可直接加公眾號提問或交流,知無不答,謝謝 。