一,RDD,DataFrame和DataSet
DataFrame参照了Pandas的思想,在RDD基础上增加了schma,能够获取列名信息。
DataSet在DataFrame基础上进一步增加了数据类型信息,可以在编译时发现类型错误。
DataFrame可以看成DataSet[Row],两者的API接口完全相同。
DataFrame和DataSet都支持SQL交互式查询,可以和 Hive无缝衔接。
DataSet只有在Scala语言和Java语言的Spark接口中才支持,在Python和R语言接口只支持DataFrame,不支持DataSet。
二,创建DataFrame
1,通过toDF方法创建
可以将Seq,List或者 RDD转换成DataFrame。
2,通过CreateDataFrame方法动态创建DataFrame
可以通过createDataFrame的方法指定rdd和schema创建DataFrame。
这种方法比较繁琐,但是可以在预先不知道schema和数据类型的情况下在代码中动态创建DataFrame。
3,通过读取文件创建
可以读取json文件,csv文件,hive数据表或者mysql数据表得到DataFrame。