RDD、DataFrame是什么
在Spark中,RDD、DataFrame是最常用的数据类型。
什么是RDD?
RDD(Resilient Distributed Datasets)提供了一种高度受限的共享内存模型。
即RDD是只读的记录分区的集合,只能通过在其他RDD执行确定的转换操作(如map、join和group by)而创建,然而这些限制使得实现容错的开销很低。
RDD仍然足以表示很多类型的计算,包括MapReduce和专用的迭代编程模型(如Pregel)等。
什么是DataFrame?
DataFrame是一种分布式的数据集,并且以列的方式组合的。大数据培训类似于关系型数据库中的表。可以说是一个具有良好优化技术的关系表。
DataFrame背后的思想是允许处理大量结构化数据。提供了一些抽象的操作,如select、filter、aggregation、plot。
DataFrame包含带schema的行。schema是数据结构的说明。相当于具有schema的RDD。
RDD、DataFrame有什么特性
在Apache Spark 里面DF 优于RDD,但也包含了RDD的特性。
RDD和DataFrame的共同特征是不可性、内存运行、弹性、分布式计算能力。
它允许用户将结构强加到分布式数据集合上。因此提供了更高层次的抽象。
我们可以从不同的数据源构建DataFrame。例如结构化数据文件、Hive中的表、外部数据库或现有的RDDs。
DataFrame的应用程序编程接口(api)可以在各种语言中使用,包括Python、Scala、Java和R。
RDD的五大特性:
1.(必须的)可分区的: 每一个分区对应就是一个Task线程。
2.(必须的)计算函数(对每个分区进行计算操作)。
3.(必须的)存在依赖关系。
4.(可选的)对于key-value数据存在分区计算函数。
5.(可选的)移动数据不如移动计算(将计算程序运行在离数据越近越好)。
DataFrame的特性:
1.支持从KB到PB级的数据量。
2.支持多种数据格式和多种存储系统。
3.通过Catalyst优化器进行先进的优化生成代码。
4.通过Spark无缝集成主流大数据工具与基础设施。
5.API支持Python、Java、Scala和R语言。
两者的区别
RDD是弹性分布式数据集,数据集的概念比较强一点;RDD容器可以装任意类型的可序列化元素(支持泛型)。
RDD的缺点是无从知道每个元素的【内部字段】信息。意思是下图不知道Person对象的姓名、年龄等。
DataFrame也是弹性分布式数据集,但是本质上是一个分布式数据表,因此称为分布式表更准确。DataFrame每个元素不是泛型对象,而是Row对象。
DataFrame的缺点是Spark SQL DataFrame API 不支持编译时类型安全,因此,如果结构未知,则不能操作数据;同时,一旦将域对象转换为Data frame ,则域对象不能重构。
DataFrame=RDD-【泛型】+schema+方便的SQL操作+【catalyst】优化
DataFrame优于RDD,因为它提供了内存管理和优化的执行计划。总结为以下两点:
a.自定义内存管理:当数据以二进制格式存储在堆外内存时,会节省大量内存。除此之外,没有垃圾回收(GC)开销。还避免了昂贵的Java序列化。因为数据是以二进制格式存储的,并且内存的schema是已知的。
b.优化执行计划:这也称为查询优化器。可以为查询的执行创建一个优化的执行计划。优化执行计划完成后最终将在RDD上运行执行。
两者之间的转换
RDD可以转换为DataFrame
(1).通过RDD[Row]转换为DF
核心步骤:
1.定义RDD,每个元素都是Row类型
2.将上面的RDD[Row]转换为DataFrame,df=spark.createDataFrame(row_rdd)
代码:
# -*- coding:utf-8 -*-
# Desc:This is Code Desc
from pyspark import Row
from pyspark.sql import SparkSession
import os
os.environ['SPARK_HOME'] = '/export/server/spark'
PYSPARK_PYTHON = "/root/anaconda3/bin/python"
# 当存在多个版本时,不指定很可能会导致出错
os.environ["PYSPARK_PYTHON"] = PYSPARK_PYTHON
os.environ["PYSPARK_DRIVER_PYTHON"] = PYSPARK_PYTHON
if __name__ == '__main__':
#1-创建上下文对象
spark=SparkSession.builder.appName('test').master('local[*]').getOrCreate()
sc=spark.sparkContext
sc.setLogLevel('WARN')
#2-加载文本文件,形成RDD
rdd1=sc.textFile('file:///export/pyworkspace/pyspark_sz27/pyspark_sql/data/sql/people.txt')
for x in rdd1.collect():print(x)
#3-将RDD的每个元素从string转成Row
rdd2=rdd1.map(lambda str: Row(name=str.split(',')[0], age=int(str.split(',')[1].strip()) ) )
#4-调用spark.createDataFrame(RDD[Row]),得到DataFrame
df=spark.createDataFrame(rdd2)
#5-打印df的schema信息
df.printSchema()
#6-打印df的行数据
df.show()
#7-关闭退出
spark.stop()
(2).RDD[元组或列表]+自定义Schema信息
核心步骤:
1.RDD的每个元素转换为元组
2.依据元组的值自定义schema
3.Spark.createDataFrame(rdd,schema)
代码:
# -*- coding:utf-8 -*-
# Desc:This is Code Desc
from pyspark import Row
from pyspark.sql import SparkSession
import os
from pyspark.sql.types import StructType, StructField, StringType, IntegerType
os.environ['SPARK_HOME'] = '/export/server/spark'
PYSPARK_PYTHON = "/root/anaconda3/bin/python"
# 当存在多个版本时,不指定很可能会导致出错
os.environ["PYSPARK_PYTHON"] = PYSPARK_PYTHON
os.environ["PYSPARK_DRIVER_PYTHON"] = PYSPARK_PYTHON
if __name__ == '__main__':
#1-创建上下文对象
spark=SparkSession.builder.appName('test').master('local[*]').getOrCreate()
sc=spark.sparkContext
sc.setLogLevel('WARN')
#2-加载文本文件,形成RDD
rdd1=sc.textFile('file:///export/pyworkspace/pyspark_sz27/pyspark_sql/data/sql/people.txt')
#3-将RDD的每个元素从string转成 Tuple
rdd2=rdd1.map(lambda str:(str.split(',')[0], int(str.split(',')[1].strip())))
#4-为上述tuple量身定义schema
schema=StructType( [
StructField('name',StringType()),
StructField('age',IntegerType())
])
#5-调用spark.createDataFrame(RDD[Tuple],schema),得到DataFrame
df=spark.createDataFrame(rdd2,schema)
#6-打印df的schema信息
df.printSchema()
#7-打印df的行数据
df.show()
#8-关闭退出
spark.stop()
(3).RDD[集合]+toDF(指定列名)
核心步骤:
1.RDD的每行转换为元组或列表
2.再加上toDF(指定多个列名)
代码:
# -*- coding:utf-8 -*-
# Desc:This is Code Desc
from pyspark import Row
from pyspark.sql import SparkSession
import os
from pyspark.sql.types import StructType, StructField, StringType, IntegerType
os.environ['SPARK_HOME'] = '/export/server/spark'
PYSPARK_PYTHON = "/root/anaconda3/bin/python"
# 当存在多个版本时,不指定很可能会导致出错
os.environ["PYSPARK_PYTHON"] = PYSPARK_PYTHON
os.environ["PYSPARK_DRIVER_PYTHON"] = PYSPARK_PYTHON
if __name__ == '__main__':
#1-创建上下文对象
spark=SparkSession.builder.appName('test').master('local[*]').getOrCreate()
sc=spark.sparkContext
sc.setLogLevel('WARN')
#2-加载文本文件,形成RDD
rdd1=sc.textFile('file:///export/pyworkspace/pyspark_sz27/pyspark_sql/data/sql/people.txt')
#3-将RDD的每个元素从string转成 Tuple
rdd2=rdd1.map(lambda str:(str.split(',')[0], int(str.split(',')[1].strip())))
#4-调用toDF传输字段名称
df=rdd2.toDF(['name','age'])
#5-打印df的schema信息
df.printSchema()
#6-打印df的行数据
df.show()
#7-关闭退出
spark.stop()
综上,DataFrame API能够提高spark的性能和扩展性。避免了构造每行在dataset中的对象,造成GC的代价。不同于RDD API,能构建关系型查询计划。更加有有利于熟悉执行计划的开发人员,同理不一定适用于所有人。
文章来源于数据说话