DataFrame/RDD/DataSet的异同

自Spark1.4加入DataFrame,1.6加入dataSet以来，RDD的主导地位不断下降，在Spark2.0.0版本之后，社区已经开始建议开发者慢慢放弃使用RDDl了，在版本的升级过程中，不同的组件对于DataSet的支持逐渐加强，目前的稳定版本可以说是DataSet已经完全取代了RDD的作用，那么这三者之间有什么区别和相似之处呢？

---

一、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

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，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。

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

7、DataFrame和Dataset均可使用模式匹配获取各个字段的值和类型

dataFrame.map{

    caseRow(col1:String,col2:Int)=>

        println(col1);println(col2)

       case_=>}

case classColtest(col1:String,col2:Int)extendsSerializable//定义字段名和类型

dataSet.map{

    caseColtest(col1:String,col2:Int)=>

        println(col1);println(col2)

    case_=>}

需要注意的是，dataSet匹配的是case类，dataFrame匹配的是Row类，并且后边有一个_通配操作提高稳健性

---

二、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：row.getSa[String]("字段名")

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

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，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

//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()

---

Dataset:

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

ataFrame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

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：

val rdd1=testDF.rdd

val rdd2=testDS.rdd

RDD转DataFrame：

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：

import spark.implicits._

case class Coltest(col1:String,col2: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

import spark.implicits._

val testDF=testDS.toDF

DataFrame转Dataset：

import spark.implicits._

case class Coltest(col1:String,col2: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

链接：https://www.jianshu.com/p/b9a7a650a781