- Spark SQL 目录
- DataFrame
- DataSet
- RDD
- DataFrame，DataSet与RDD之间转换
- DataFrame，DataSet与RDD之间的关系
- DataFrame，DataSet与RDD之间共性与区别
1.Spark SQL
Spark SQL是Spark用来处理结构化数据的一个模块，它提供了2个编程抽象：DataFrame和DataSet，并且作为分布式SQL查询引擎的作用。
2.Spark SQL 与 Hive SQL 比较
Hive SQL是转换成MapReduce然后提交到集群上执行，大大简化了编写MapReduc的程序的复杂性，MapReduce这种计算模型执行效率比较慢。
Spark SQL是转换成RDD，然后提交到集群执行，执行效率非常快！
3.DataFrame
DataFrame是一个分布式数据容器，除了数据以外，还记录数据的结构信息。DataFrame为数据提供了Schema的视图。我们可以把它当做数据库中的一张表来对待，DataFrame是懒执行的，性能上比RDD要高。
4.DataSet
Dataset是具有强类型的数据集合，需要提供对应的类型信息。
5.RDD
RDD（Resilient Distributed Dataset）叫做分布式数据集，是Spark中最基本的数据抽象。代码中是一个抽象类，它代表一个不可变、可分区、里面的元素可并行计算的集合。
RDD后面会单独拿出来谈一谈。
6.DataFrame，DataSet与RDD之间转换
- RDD转DataSet
SparkSQL能够自动将包含有case类的RDD转换成DataFrame，case类定义了table的结构，case类属性通过反射变成了表的列名。
// 样例类
case class Person(name: String, age: BigInt)
// 创建配置对象
val sparkConf: SparkConf = new SparkConf().setAppName("SparkSQL").setMaster("local[*]")
// 创建上下文对象
val sparkSession: SparkSession = SparkSession
.builder()
.config(sparkConf)
.getOrCreate()
// 增加隐式转换规则
import sparkSession.implicits._
val rdd: RDD[(String, Int)] = sparkSession.sparkContext.makeRDD(Array(("zhaoliu", 20)))
// RDD转换DataSet
val person: Dataset[Person] = rdd.map(x => Person(x._1, x._2)).toDS()
- DataSet转换成RDD
// 样例类
case class Person(name: String, age: BigInt)
// 创建DataSet
val dataSet: Dataset[Person] = Seq(Person("zhansan", 32)).toDS()
// DataSet转换成RDD
dataSet.rdd
- DataFrame转DataSet
// 样例类
case class Person(name: String, age: BigInt)
// 获取数据，将数据转换成DataFrame
val dateFrame: DataFrame = sparkSession.read.json("input/user.json")
// DataFrame 转换成 DataSet
val dataSet: Dataset[Person] = dateFrame.as[Person]
- DataSet转DataFrame
// 样例类
case class Person(name: String, age: BigInt)
// 获取数据，将数据转换成DataFrame
val dateFrame: DataFrame = sparkSession.read.json("input/user.json")
// DataFrame 转换成 DataSet
val dataSet: Dataset[Person] = dateFrame.as[Person]
// DataSet 转换成 DataFrame
val df: Dataset[Person] = dataSet.asDF
7.DataFrame，DataSet与RDD之间的关系
在SparkSQL中Spark为我们提供了两个新的抽象，分别是DataFrame和DataSet。
他们和RDD有什么区别呢？首先从版本的产生上来看：
RDD (Spark1.0) —> Dataframe(Spark1.3) —> Dataset(Spark1.6)
如果同样的数据都给到这三个数据结构，他们分别计算之后，都会给出相同的结果。不同是的他们的执行效率和执行方式。
在后期的Spark版本中，DataSet会逐步取代RDD和DataFrame成为唯一的API接口。
8.DataFrame，DataSet与RDD之间共性与区别
- 共性
- 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
- 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。
- 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。
- 三者都有partition的概念
- 三者有许多共同的函数，如filter，排序等
- 在对DataFrame和Dataset进行操作许多操作都需要这个包进行支持
import spark.implicits._ - DataFrame和Dataset均可使用模式匹配获取各个字段的值和类型
dataFrame.map{
case Row(col1:String,col2:Int)=>
println(col1);println(col2)
col1
case _=>
""
}
// 样例类，定义字段名和类型
case class Coltest(col1:String,col2:Int)extends Serializable
dataSet.map{
case Coltest(col1:String,col2:Int)=>
println(col1);println(col2)
col1
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，每一列的值没法直接访问，只有通过解析才能获取各个字段的值，如：
dataFrame.foreach{
line =>
val col1=line.getAs[String]("col1")
val col2=line.getAs[String]("col2")
}
2）DataFrame与Dataset一般不与spark mlib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：
// 创建视图
dataFrame.createOrReplaceTempView("tmp")
spark.sql("select ROW,DATE from tmp where DATE is not null order by DATE").show
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
// 保存
val saveOptions = Map("header" -> "true", "delimiter" -> "\t", "path" -> "hdfs://hadoop102:9000/test")
dataFrame.write.format("com.atguigu.spark.csv").mode(SaveMode.Overwrite).options(saveOptions).save()
// 读取
val options = Map("header" -> "true", "delimiter" -> "\t", "path" -> "hdfs://hadoop102:9000/test")
val dataFrame= spark.read.options(options).format("com.atguigu.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。
3. Dataset:
1）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。
2）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
// 样例类：定义字段名和类型
case class Coltest(col1:String,col2:Int)extends Serializable
/**
rdd
("a", 1)
("b", 1)
("a", 1)
**/
val dataSet: Dataset[Coltest]=rdd.map{line=>
Coltest(line._1,line._2)
}.toDS
dataSet.map{
line=>
println(line.col1)
println(line.col2)
}
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
