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 = 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
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(col 1 : String,col 2 : Int) = > println(col 1 );println(col 2 ) col 1 case _= > "" } |
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(col 1 : String,col 2 : Int) extends Serializable //定義欄位名和型別 testDS.map{ case Coltest(col 1 : String,col 2 : Int) = > println(col 1 );println(col 2 ) col 1 case _= > "" } |
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 col 1 = line.getAs[String]( "col1" ) val col 2 = 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(col 1 : String,col 2 : 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.col 1 ) println(line.col 2 ) } |
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 rdd 1 = testDF.rdd val rdd 2 = 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(col 1 : String,col 2 : 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(col 1 : String,col 2 : 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