Spark RDD、DataFrame和DataSet的区别

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

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

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()

  }

}

 

 

参考

Introducing ApacheSpark Datasets 
APACHE SPARK: RDD,DATAFRAME OR DATASET? 
http://www.jianshu.com/p/c0181667daa0
Spark2.0.0-preview官方文档