RDD:
优点:
1. 编译时类型安全
编译时就能检查出类型错误
2. 面向对象的编程风格
直接通过类名点的方式来操作数据
缺点:
1. 序列化和反序列化的性能开销
无论是集群间的通信, 还是IO操作都需要对对象的结构和数据进行序列化和反序列化.
2. GC的性能开销
频繁的创建和销毁对象,势必会增加GC
importorg.apache.spark.sql.SQLContext
importorg.apache.spark.{SparkConf, SparkContext}
object Run {
defmain(args: Array[String]) {
val conf = new SparkConf().setAppName("test").setMaster("local")
valsc = new SparkContext(conf)
sc.setLogLevel("WARN")
valsqlContext = new SQLContext(sc)
/**
* id age
* 1 30
* 2 29
* 3 21
*/
case class Person(id: Int, age: Int)
validAgeRDDPerson = sc.parallelize(Array(Person(1, 30), Person(2, 29), Person(3,21)))
// 优点1
// idAge.filter(_.age > "") //编译时报错, int不能跟String比
// 优点2
idAgeRDDPerson.filter(_.age > 25) //直接操作一个个的person对象
}
}
DataFrame引入了schema和off-heap
· schema : RDD每一行的数据,结构都是一样的. 这个结构就存储在schema中. Spark通过schame就能够读懂数据,因此在通信和IO时就只需要序列化和反序列化数据,而结构的部分就可以省略了.
· off-heap :意味着JVM堆以外的内存,这些内存直接受操作系统管理(而不是JVM)。Spark能够以二进制的形式序列化数据(不包括结构)到off-heap中,当要操作数据时, 就直接操作off-heap内存.由于Spark理解schema,所以知道该如何操作.
off-heap就像地盘, schema就像地图, Spark有地图又有自己地盘了,就可以自己说了算了, 不再受JVM的限制,也就不再收GC的困扰了.
通过schema和off-heap, DataFrame解决了RDD的缺点,但是却丢了RDD的优点. DataFrame不是类型安全的, API也不是面向对象风格的.
importorg.apache.spark.sql.types.{DataTypes, StructField, StructType}
importorg.apache.spark.sql.{Row, SQLContext}
importorg.apache.spark.{SparkConf, SparkContext}
object Run {
defmain(args: Array[String]) {
val conf = new SparkConf().setAppName("test").setMaster("local")
valsc = new SparkContext(conf)
sc.setLogLevel("WARN")
valsqlContext = new SQLContext(sc)
/**
* id age
* 1 30
* 2 29
* 3 21
*/
val idAgeRDDRow = sc.parallelize(Array(Row(1,30), Row(2, 29), Row(4, 21)))
val schema = StructType(Array(StructField("id", DataTypes.IntegerType),StructField("age", DataTypes.IntegerType)))
validAgeDF = sqlContext.createDataFrame(idAgeRDDRow, schema)
// API不是面向对象的
idAgeDF.filter(idAgeDF.col("age") > 25)
//不会报错, DataFrame不是编译时类型安全的
idAgeDF.filter(idAgeDF.col("age") > "")
}
}
DataSet结合了RDD和DataFrame的优点,并带来的一个新的概念Encoder
当序列化数据时, Encoder产生字节码与off-heap进行交互,能够达到按需访问数据的效果,而不用反序列化整个对象. Spark还没有提供自定义Encoder的API,但是未来会加入.
下面看DataFrame和DataSet在2.0.0-preview中的实现
下面这段代码,在1.6.x中创建的是DataFrame
// 上文DataFrame示例中提取出来的
val idAgeRDDRow =sc.parallelize(Array(Row(1, 30), Row(2,29), Row(4, 21)))
val schema =StructType(Array(StructField("id",DataTypes.IntegerType), StructField("age", DataTypes.IntegerType)))
val idAgeDF =sqlContext.createDataFrame(idAgeRDDRow, schema)
但是同样的代码在2.0.0-preview中,创建的虽然还叫DataFrame
//sqlContext.createDataFrame(idAgeRDDRow, schema)方法的实现, 返回值依然是DataFrame
def createDataFrame(rowRDD: RDD[Row], schema:StructType): DataFrame = {
sparkSession.createDataFrame(rowRDD,schema)
}
但是其实却是DataSet,因为DataFrame被声明为Dataset[Row]
package object sql{
// ...省略了不相关的代码
type DataFrame = Dataset[Row]
}
因此当我们从1.6.x迁移到2.0.0的时候,无需任何修改就直接用上了DataSet.
下面是一段DataSet的示例代码
importorg.apache.spark.sql.types.{DataTypes, StructField, StructType}
importorg.apache.spark.sql.{Row, SQLContext}
importorg.apache.spark.{SparkConf, SparkContext}
object Test {
defmain(args: Array[String]) {
val conf = new SparkConf().setAppName("test").setMaster("local")//调试的时候一定不要用local[*]
valsc = new SparkContext(conf)
val sqlContext = new SQLContext(sc)
import sqlContext.implicits._
val idAgeRDDRow = sc.parallelize(Array(Row(1,30), Row(2, 29), Row(4, 21)))
val schema = StructType(Array(StructField("id", DataTypes.IntegerType),StructField("age", DataTypes.IntegerType)))
//在2.0.0-preview中这行代码创建出的DataFrame, 其实是DataSet[Row]
validAgeDS = sqlContext.createDataFrame(idAgeRDDRow, schema)
// 在2.0.0-preview中, 还不支持自定的Encoder, Row类型不行, 自定义的bean也不行
// 官方文档也有写通过bean创建Dataset的例子,但是我运行时并不能成功
// 所以目前需要用创建DataFrame的方法, 来创建DataSet[Row]
// sqlContext.createDataset(idAgeRDDRow)
// 目前支持String, Integer, Long等类型直接创建Dataset
Seq(1, 2, 3).toDS().show()
sqlContext.createDataset(sc.parallelize(Array(1, 2, 3))).show()
}
}
Introducing ApacheSpark Datasets
APACHE SPARK: RDD,DATAFRAME OR DATASET?
http://www.jianshu.com/p/c0181667daa0
Spark2.0.0-preview官方文档