Dataset介绍
Dataset是从Spark 1.6开始引入的一个新的抽象,当时还是处于alpha版本;然而在Spark 2.0,它已经变成了稳定版了。下面是DataSet的官方定义:
A Dataset is a strongly typed collection of domain-specific objects that can be transformed
in parallel using functional or relational operations. Each Dataset also has an untyped view
called a DataFrame, which is a Dataset of Row.
Dataset是特定域对象中的强类型集合,它可以使用函数或者相关操作并行地进行转换等操作。每个Dataset都有一个称为DataFrame的非类型化的视图,这个视图是行的数据集。上面的定义看起来和RDD的定义类似,RDD的定义如下:
RDD represents an immutable,partitioned collection of elements that can be operated on in parallel
RDD也是可以并行化的操作,DataSet和RDD主要的区别是:DataSet是特定域的对象集合;然而RDD是任何对象的集合。DataSet的API总是强类型的;而且可以利用这些模式进行优化,然而RDD却不行。
Dataset的定义中还提到了DataFrame,DataFrame是特殊的Dataset,它在编译时不会对模式进行检测。在未来版本的Spark,Dataset将会替代RDD成为我们开发编程使用的API(注意,RDD并不是会被取消,而是会作为底层的API提供给用户使用)。
上面简单地介绍了Dataset相关的定义,下面让我们来看看如何以编程的角度来使用它。
Dataset Wordcount实例
为了简单起见,我将介绍如何使用DataSet编写WordCount计算程序。
第一步、创建SparkSession
正如我们在《Spark 2.0介绍:SparkSession创建和使用相关API》中提到的,我们在这里将使用SparkSession作为程序的切入点,并使用它来创建出Dataset:
val
sparkSession
=
SparkSession.builder.
master(
"local"
)
.appName(
"example"
)
.getOrCreate()
|
第二步、读取数据并将它转换成Dataset
我们可以使用read.text
API来读取数据,正如RDD版提供的textFile
,as[String]
可以为dataset提供相关的模式,如下:
import
sparkSession.implicits.
_
val
data
=
sparkSession.read.text(
"src/main/resources/data.txt"
).as[String]
|
上面data对象的类型是DataSet[String]
,我们需要引入sparkSession.implicits._
。
第三步、分割单词并且对单词进行分组
Dataset提供的API和RDD提供的非常类似,所以我们也可以在DataSet对象上使用map, groupByKey相关的API,如下:
val
words
=
data.flatMap(value
=
> value.split(
"\\s+"
))
val
groupedWords
=
words.groupByKey(
_
.toLowerCase)
|
有得同学可能注意到,我们并没有创建出一个key/value键值对,因为DataSet是工作在行级别的抽象,每个值将被看作是带有多列的行数据,而且每个值都可以看作是group的key,正如关系型数据库的group。
第四步、计数
一旦我们有了分组好的数据,我们可以使用count方法对每个单词进行计数,正如在RDD上使用reduceByKey
:
val
counts
=
groupedWords.count()
|
第五步、打印结果
正如RDD一样,上面的操作都是懒执行的,所以我们需要调用action操作来触发上面的计算。在dataset API中,show函数就是action操作,它会输出前20个结果;如果你需要全部的结果,你可以使用collect操作:
counts.show()
|
完整的代码
package
com.iteblog.spark
import
org.apache.spark.sql.SparkSession
/**
* Created by http://www.iteblog.com
*/
object
DataSetWordCount {
def
main(args
:
Array[String]) {
val
sparkSession
=
SparkSession.builder.
master(
"local"
)
.appName(
"example"
)
.getOrCreate()
import
sparkSession.implicits.
_
val
data
=
sparkSession.read.text(
"src/main/resources/data.txt"
).as[String]
val
words
=
data.flatMap(value
=
> value.split(
"\\s+"
))
val
groupedWords
=
words.groupByKey(
_
.toLowerCase)
val
counts
=
groupedWords.count()
counts.show()
}
}
|