共性:
1、RDD、DataFrame、Dataset全都是spark平台下的分布式弹性数据集,为处理超大型数据提供便利
2、三者都有惰性机制,在进行创建、转换,如map方法时,不会立即执行,只有在遇到Action如foreach时,三者才会开始遍历运算,极端情况下,如果代码里面有创建、转换,但是后面没有在Action中使用对应的结果,在执行时会被直接跳过,如
1
2
3
4
5
6
7
8
|
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( "运行" )
line. _ 1
}
|
map中的println("运行")并不会运行
3、三者都会根据spark的内存情况自动缓存运算,这样即使数据量很大,也不用担心会内存溢出
4、三者都有partition的概念,如
1
2
3
4
5
6
7
8
|
var
predata = data.repartition( 24 ).mapPartitions{
PartLine = > {
PartLine.map{
line = >
println(“转换操作”)
}
}
}
|
这样对每一个分区进行操作时,就跟在操作数组一样,不但数据量比较小,而且可以方便的将map中的运算结果拿出来,如果直接用map,map中对外面的操作是无效的,如
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
val
rdd = spark.sparkContext.parallelize(Seq(( "a" , 1 ), ( "b" , 1 ), ( "a" , 1 )))
var
flag = 0
val
test = rdd.map{line = >
println( "运行" )
flag+ = 1
println(flag)
line. _ 1
}
println(test.count)
println(flag)
/**
运行
1
运行
2
运行
3
3
0
* */
|
不使用partition时,对map之外的操作无法对map之外的变量造成影响
5、三者有许多共同的函数,如filter,排序等
6、在对DataFrame和Dataset进行操作许多操作都需要这个包进行支持
1
2
|
import
spark.implicits. _
//这里的spark是SparkSession的变量名
|
7、DataFrame和Dataset均可使用模式匹配获取各个字段的值和类型
DataFrame:
1
2
3
4
5
6
7
|
testDF.map{
case
Row(col 1 : String,col 2 : Int) = >
println(col 1 );println(col 2 )
col 1
case
_= >
""
}
|
为了提高稳健性,最好后面有一个_通配操作,这里提供了DataFrame一个解析字段的方法
Dataset:
1
2
3
4
5
6
7
8
|
case
class
Coltest(col 1 : String,col 2 : Int) extends
Serializable //定义字段名和类型
testDS.map{
case
Coltest(col 1 : String,col 2 : Int) = >
println(col 1 );println(col 2 )
col 1
case
_= >
""
}
|
区别:
RDD:
1、RDD一般和spark mlib同时使用
2、RDD不支持sparksql操作
DataFrame:
1、与RDD和Dataset不同,DataFrame每一行的类型固定为Row,只有通过解析才能获取各个字段的值,如
1
2
3
4
5
|
testDF.foreach{
line = >
val
col 1 = line.getAs[String]( "col1" )
val
col 2 = line.getAs[String]( "col2" )
}
|
每一列的值没法直接访问
2、DataFrame与Dataset一般与spark ml同时使用
3、DataFrame与Dataset均支持sparksql的操作,比如select,groupby之类,还能注册临时表/视窗,进行sql语句操作,如
1
2
|
dataDF.createOrReplaceTempView( "tmp" )
spark.sql( "select ROW,DATE from tmp where DATE is not null order by DATE" ).show( 100 , false )
|
4、DataFrame与Dataset支持一些特别方便的保存方式,比如保存成csv,可以带上表头,这样每一列的字段名一目了然
1
2
3
4
5
6
|
//保存
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()
//读取
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()
|
利用这样的保存方式,可以方便的获得字段名和列的对应,而且分隔符(delimiter)可以自由指定
Dataset:
这里主要对比Dataset和DataFrame,因为Dataset和DataFrame拥有完全相同的成员函数,区别只是每一行的数据类型不同
DataFrame也可以叫Dataset[Row],每一行的类型是Row,不解析,每一行究竟有哪些字段,各个字段又是什么类型都无从得知,只能用上面提到的getAS方法或者共性中的第七条提到的模式匹配拿出特定字段
而Dataset中,每一行是什么类型是不一定的,在自定义了case class之后可以很自由的获得每一行的信息
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
case
class
Coltest(col 1 : String,col 2 : Int) extends
Serializable //定义字段名和类型
/**
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在需要访问列中的某个字段时是非常方便的,然而,如果要写一些适配性很强的函数时,如果使用Dataset,行的类型又不确定,可能是各种case class,无法实现适配,这时候用DataFrame即Dataset[Row]就能比较好的解决问题
转化:
RDD、DataFrame、Dataset三者有许多共性,有各自适用的场景常常需要在三者之间转换
DataFrame/Dataset转RDD:
这个转换很简单
1
2
|
val
rdd 1 = testDF.rdd
val
rdd 2 = testDS.rdd
|
RDD转DataFrame:
1
2
3
4
|
import
spark.implicits. _
val
testDF =
rdd.map {line = >
(line. _ 1 ,line. _ 2 )
}.toDF( "col1" , "col2" )
|
一般用元组把一行的数据写在一起,然后在toDF中指定字段名
RDD转Dataset:
1
2
3
4
5
|
import
spark.implicits. _
case
class
Coltest(col 1 : String,col 2 : Int) extends
Serializable //定义字段名和类型
val
testDS =
rdd.map {line = >
Coltest(line. _ 1 ,line. _ 2 )
}.toDS
|
可以注意到,定义每一行的类型(case class)时,已经给出了字段名和类型,后面只要往case class里面添加值即可
Dataset转DataFrame:
这个也很简单,因为只是把case class封装成Row
1
2
|
import
spark.implicits. _
val
testDF =
testDS.toDF
|
DataFrame转Dataset:
1
2
3
|
import
spark.implicits. _
case
class
Coltest(col 1 : String,col 2 : Int) extends
Serializable //定义字段名和类型
val
testDS =
testDF.as[Coltest]
|
这种方法就是在给出每一列的类型后,使用as方法,转成Dataset,这在数据类型是DataFrame又需要针对各个字段处理时极为方便
特别注意:
在使用一些特殊的操作时,一定要加上 import spark.implicits._ 不然toDF、toDS无法使用