在spark中,RDD、DataFrame、Dataset是最常用的数据类型,本博文给出笔者在使用的过程中体会到的区别和各自的优势
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