談談RDD、DataFrame、Dataset的區別和各自的優勢
在spark中，RDD、DataFrame、Dataset是最常用的資料型別，本博文給出筆者在使用的過程中體會到的區別和各自的優勢
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，在進行建立、轉換，如map方法時，不會立即執行，只有在遇到Action如foreach時，三者才會開始遍歷運算，極端情況下，如果程式碼裡面有建立、轉換，但是後面沒有在Action中使用對應的結果，在執行時會被直接跳過，如
| 12345678 | val sparkconf = new SparkConf().setMaster("local").setAppName("test").set("spark.port.maxRetries","1000")val spark = SparkSession.builder().config(sparkconf).getOrCreate()val rdd=spark.sparkContext.parallelize(Seq(("a", 1), ("b", 1), ("a", 1)))rdd.map{line=>println("執行")line._1} |
map中的println("執行")並不會執行
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
| 12345678 | 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
| 1234567891011121314151617181920 | val rdd=spark.sparkContext.parallelize(Seq(("a", 1), ("b", 1), ("a", 1)))var flag=0val test=rdd.map{line=>println("執行")flag+=1println(flag)line._1}println(test.count)println(flag)/**執行1執行2執行330* */ |
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
| 12 | import spark.implicits._//這裡的spark是SparkSession的變數名 |
7、DataFrame和Dataset均可使用模式匹配獲取各個欄位的值和型別
DataFrame:
| 1234567 | testDF.map{case Row(col1:String,col2:Int)=>println(col1);println(col2)col1case _=>""} |
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
Dataset:
| 12345678 | 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)col1case _=>""} |
區別：
RDD:
1、RDD一般和spark mlib同時使用
2、RDD不支援sparksql操作
DataFrame:
1、與RDD和Dataset不同，DataFrame每一行的型別固定為Row，只有通過解析才能獲取各個欄位的值，如
| 12345 | testDF.foreach{line =>val col1=line.getAs[String]("col1")val col2=line.getAs[String]("col2")} |
每一列的值沒法直接訪問
2、DataFrame與Dataset一般與spark ml同時使用
3、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
| 12 | dataDF.createOrReplaceTempView("tmp")spark.sql("select ROW,DATE from tmp where DATE is not null order by DATE").show(100,false) |
4、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
| 123456 | //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
Dataset:
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
DataFrame也可以叫Dataset[Row],每一行的型別是Row，不解析，每一行究竟有哪些欄位，各個欄位又是什麼型別都無從得知，只能用上面提到的getAS方法或者共性中的第七條提到的模式匹配拿出特定欄位
而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
| 123456789101112131415 | 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)}.toDStest.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
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：
這個轉換很簡單
| 12 | val rdd1=testDF.rddval rdd2=testDS.rdd |
RDD轉DataFrame：
| 1234 | 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：
| 12345 | 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
| 12 | import spark.implicits._val testDF = testDS.toDF |
DataFrame轉Dataset：
| 123 | 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
特別注意：
在使用一些特殊的操作時，一定要加上 import spark.implicits._ 不然toDF、toDS無法使用