Spark 之DataFrame与RDD 转换

原创 2016年08月30日 11:08:37

DataFrame可以从结构化文件、hive表、外部数据库以及现有的RDD加载构建得到。具体的结构化文件、hive表、外部数据库的相关加载可以参考其他章节。这里主要针对从现有的RDD来构建DataFrame进行实践与解析。

Spark SQL 支持两种方式将存在的RDD转化为DataFrame。

第一种方法是使用反射来推断包含特定对象类型的RDD的模式。在写Spark程序的同时,已经知道了模式,这种基于反射的方法可以使代码更简洁并且程序工作得更好。

第二种方法是通过一个编程接口来实现,这个接口允许构造一个模式,然后在存在的RDD上使用它。虽然这种方法代码较为冗长,但是它允许在运行期间之前不止列以及列的类型的情况下构造DataFrame。

DataFrame是一个带有列名的分布式数据集合。等同于一张关系型数据库中的表或者R/Python中的data frame,不过在底层做了很多优化;我们可以使用结构化数据文件、Hive tables,外部数据库或者RDDS来构造DataFrames。

一、利用反射推断Schema

Spark SQL能够将含Row对象的RDD转换成DataFrame,并推断数据类型。通过将一个键值对(key/value)列表作为kwargs传给Row类来构造Rows。key定义了表的列名,类型通过看第一列数据来推断。(所以这里RDD的第一列数据不能有缺失)未来版本中将会通过看更多数据来推断数据类型,像现在对JSON文件的处理一样。

二、编程指定Schema

通过编程指定Schema需要3步:

1.从原来的RDD创建一个元祖或列表的RDD。

2.用StructType 创建一个和步骤一中创建的RDD中元祖或列表的结构相匹配的Schema。

3.通过SQLContext提供的createDataFrame方法将schema 应用到RDD上。

三、实战

1.使用Java实战RDD与DataFrame转换

简单介绍:
动态构造有时候有些麻烦:spark开发了一个API就是DataSet ,DataSet可以基于RDD,RDD里面有类型。他可以基于这种类型。
sparkSQL+DataFrame+DataSet:三者都相当重要,在2.0的时候编码会使用大量使用DataSet。
DataSet上可以直接查询。Spark的核心RDD+DataFrame+DataSet:最终会形成三足鼎立。RDD实际是服务SparkSQL的。DataSet是想要用所有的子框架都用DataSet进行计算。DataSet的底层是无私计划。这就让天然的性能优势体现出来。
官方建议使用hiveContext,在功能上比SQLContext的更好更高级的功能。

 public class RDD2DataFrameByProgrammatically {
    public static void main(String[] args) {
        SparkConf conf = new SparkConf().setMaster("local").setAppName("RDD2DataFrameByProgrammatically");
        JavaSparkContext sc = new JavaSparkContext(conf);
        SQLContext sqlContext = new SQLContext(sc);
        JavaRDD<String> lines = sc.textFile("E://test.txt");    
        /** * 第一步:在RDD的基础上创建类型为Row的RDD */
        JavaRDD<Row> personsRDD = lines.map(new Function<String, Row>() {
            @Override
            public Row call(String line) throws Exception {
                String[] splited = line.split(",");
                return RowFactory.create(Integer.valueOf(splited[0]), splited[1],Integer.valueOf(splited[2]));
            }
        });
        /*** 第二步:动态构造DataFrame的元数据,一般而言,有多少列以及每列的具体类型可能来自于JSON文件,也可能来自于DB */
        List<StructField> structFields = new ArrayList<StructField>();
        structFields.add(DataTypes.createStructField("id", DataTypes.IntegerType, true));
        structFields.add(DataTypes.createStructField("name", DataTypes.StringType, true));
        structFields.add(DataTypes.createStructField("age", DataTypes.IntegerType, true));
        //构建StructType,用于最后DataFrame元数据的描述
        StructType structType =DataTypes.createStructType(structFields);

        /*** 第三步:基于以后的MetaData以及RDD<Row>来构造DataFrame*/
        DataFrame personsDF = sqlContext.createDataFrame(personsRDD, structType);
        /** 第四步:注册成为临时表以供后续的SQL查询操作*/
        personsDF.registerTempTable("persons");
        /** 第五步,进行数据的多维度分析*/
        DataFrame result = sqlContext.sql("select * from persons where age >20");
        /**第六步:对结果进行处理,包括由DataFrame转换成为RDD<Row>,以及结构持久化*/
        List<Row> listRow = result.javaRDD().collect();
        for(Row row : listRow){
            System.out.println(row);
        }
    }
}

2.使用Scala实战RDD与DataFrame转换

import org.apache.spark.{SparkContext, SparkConf}
import org.apache.spark.sql.SQLContext


class RDD2DataFrameByProgrammaticallyScala {
  def main(args:Array[String]): Unit = {
    val conf = new SparkConf()
    conf.setAppName("RDD2DataFrameByProgrammaticallyScala") //设置应用程序的名称,在程序运行的监控界面可以看到名称
    conf.setMaster("local")
    val sc = new SparkContext(conf)
    val sqlContext = new SQLContext(sc)
    val people = sc.textFile("C://Users//DS01//Desktop//persons.txt")
    val schemaString = "name age"
    import org.apache.spark.sql.Row;
    import org.apache.spark.sql.types.{StructType,StructField,StringType};
    val schema = StructType(schemaString.split(" ").map(fieldName=>StructField(fieldName,StringType,true)))
    val rowRDD = people.map(_.split(",")).map(p=>Row(p(0),p(1).trim))
    val peopleDataFrame = sqlContext.createDataFrame(rowRDD,schema)
    peopleDataFrame.registerTempTable("people")
    val results = sqlContext.sql("select name from people")
    results.map(t=>"Name: "+t(0)).collect().foreach(println)
  }
}
版权声明:本文为博主原创文章,未经博主允许不得转载。

RDD转换为DataFrame的两种方式及spark sql的简单实例

参考 http://zhao-rock.iteye.com/blog/2328161 package spark_sql import util.HDFSHelper import java.io...

sparkrdd转dataframe的两种方式

import java.sql.Timestamp import org.apache.spark.sql.{SaveMode, SQLContext} import org.apache.spar...

RDD转换为DataFrame

RDD转换为DataFrame今天在使用spark处理movielens数据集时,由于要在数据集中添加一列,所以不能直接读取数据集生成DataFrame,需要在生成DataFrame之前预处理一下数据...

如何将dataframe转换为rdd类型

将dataframe类型的数据存储到本地

Spark将RDD转换成DataFrame的两种方式

http://zhao-rock.iteye.com/blog/2328161 介绍一下Spark将RDD转换成DataFrame的两种方式。  1.通过是使用case class的方式,不过在s...

spark下rdd和dataframe以及sqlcontext之间相互转换

spark下rdd和dataframe以及sqlcontext之间相互转换

RDD动态转换成DataFrame

java版本: import org.apache.spark.sql.RowFactory; import org.apache.spark.sql.SQLContext; import or...

spark: RDD与DataFrame之间的相互转换

spark: RDD与DataFrame之间的相互转换

通过编程方式将RDD转换成DataFrame

package SparkSQLDemo import org.apache.spark.sql.types.{IntegerType, StringType, StructField, S...

[2.2]Spark DataFrame操作(二)之通过反射实现RDD与DataFrame的转换

参考DT大数据梦工厂场景文件/home/pengyucheng/java/rdd2dfram.txt中有如下4条记录:1,hadoop,11 2,spark,7 3,flink,5 4,ivy,27编...
内容举报
返回顶部
收藏助手
不良信息举报
您举报文章:Spark 之DataFrame与RDD 转换
举报原因:
原因补充:

(最多只允许输入30个字)