RDD、DataFrame、DataSet的概念、区别联系、相互转换操作
本文主要讲解Apache Spark 2.0中RDD,DataFrame和Dataset三种数据组织类型的概念、区别联系、相互转换操作。
一、RDD
概述
RDD(Resilient Distributed Dataset)叫做弹性分布式数据集,
1、RDD是Spark中的抽象数据结构类型,Spark中最基本的数据抽象,实现了以操作本地集合的方式来操作分布式数据集的抽象实现,
2、它代表一个不可变、可分区、里面的元素可并行计算的集合。
3、RDD具有数据流模型的特点:自动容错、位置感知性调度和可伸缩性。
4、RDD允许用户在执行多个查询时显式地将工作集缓存在内存中,后续的查询能够重用工作集,这极大地提升了查询速度。
5、RDD是Spark最核心的东西,RDD必须是可序列化的。RDD可以cache到内存中,省去了MapReduce大量的磁盘IO操作
6、任何数据在Spark中都被表示为RDD。从编程的角度来看,RDD可以简单看成是一个数组。和普通数组的区别是,RDD中的数据是分区存储的可以分布在不同的机器上,同时可以被并行处理。
7、作用:Spark应用程序所做的无非是把需要处理的数据转换为RDD,然后对RDD进行一系列的变换和操作从而得到结果。
二、DataFrame
概述
在 Spark 中,DataFrame 是一种以 RDD 为基础的分布式数据集,类似于传统数据库中 的二维表格。
三、DataSet
概述
DataSet 是分布式数据集合。DataSet 是 Spark 1.6 中添加的一个新抽象,是 DataFrame 的一个扩展。它提供了 RDD 的优势(强类型,使用强大的 lambda 函数的能力)以及 Spark SQL 优化执行引擎的优点。DataSet 也可以使用功能性的转换(操作 map,flatMap,filter 等等)
1、 DataSet 是 DataFrame API 的一个扩展,是 SparkSQL 最新的数据抽象 。
2、用户友好的 API 风格,既具有类型安全检查也具有 DataFrame 的查询优化特性。
3、用样例类来对 DataSet 中定义数据的结构信息,样例类中每个属性的名称直接映射到 DataSet 中的字段名称。
4、DataSet 是强类型的。比如可以有 DataSet[Car],DataSet[Person]。
5、DataFrame 是 DataSet 的特列,DataFrame=DataSet[Row] ,所以可以通过 as 方法将