DataFrame是一个组织成命名列的数据集。
它在概念上等同于关系数据库中的表或R/Python中的数据框架,但其经过了优化。
DataFrames可以从各种各样的源构建。
例如:结构化数据文件,Hive中的表,外部数据库或现有RDD。
DataFrame API 可以被Scala,Java,Python和R调用。
在Scala和Java中,DataFrame由Rows的数据集表示。
在Scala API中,DataFrame只是一个类型别名Dataset[Row]。
而在Java API中,用户需要Dataset<Row>用来表示DataFrame。
在本文档中,我们经常将Scala/Java数据集Row称为DataFrames。
那么DataFrame和spark核心数据结构RDD之间怎么进行转换呢?
代码如下:
# -*- coding: utf-8 -*-
from __future__ import print_function
from pyspark.sql import SparkSession
from pyspark.sql import Row
if __name__ == "__main__":
# 初始化SparkSession
spark = SparkSession \
.builder \
.appName("RDD_and_DataFrame") \
.config("spark.some.config.option", "some-value") \
.getOrCreate()
sc = spark.sparkContext
lines = sc.textFile("employee.txt")
parts = lines.map(lambda l: l.split(","))
employee = parts.map(lambda p: Row(name=p[0], salary=int(p[1])))
#RDD转换成DataFrame
employee_temp = spark.createDataFrame(employee)
#显示DataFrame数据
employee_temp.show()
#创建视图
employee_temp.createOrReplaceTempView("employee")
#过滤数据
employee_result = spark.sql("SELECT name,salary FROM employee WHERE salary >= 14000 AND salary <= 20000")
# DataFrame转换成RDD
result = employee_result.rdd.map(lambda p: "name: " + p.name + " salary: " + str(p.salary)).collect()
#打印RDD数据
for n in result:
print(n)
原文参考:https://blog.csdn.net/zhurui_idea/article/details/73090951
https://blog.csdn.net/lxhandlbb/article/details/52367605
https://blog.csdn.net/cqboy1991/article/details/78363370
RDD转DataFrame
javaPairRDD--->javaRDD<Row>----->DataFrame -------->注册临时表
DataFrame转RDD
scala中
教程中Spark DataFrame to RDD的转换
val tmpFlightDataRDD = flightData.map(row => row(2).toString+","+row(3).toString+","+row(5).toString+","+row(7).toString+","+row(8).toString+","+row(12).toString+","+ row(16).toString+","+row(17).toString+","+row(14).toString+","+row(15).toString)
在我的Spark 2.0.1上输出的类型是
tmpFlightDataRDD: org.apache.spark.sql.Dataset[String] = [value: string]
需要在最后加.rdd
才能转成rdd。
再如官方翻译:
你可以无缝的把DataFrame或者Dataset转化成一个RDD,只需简单的调用 .rdd,例如
Copy
| |
java中: