电子商务网站的建设与运营,深圳创业补贴,东莞培训机构,广告推广平台哪个好Spark RDD、DataFrame和DataSet的区别
在比较这三者的区别之前#xff0c;先看看他们各自的定义是什么。
Spark RDD RDD是一种弹性分布式数据集#xff0c;是一种只读分区数据。它是spark的基础数据结构#xff0c;具有内存计算能力、数据容错性以及数据不可修改特性。
S…Spark RDD、DataFrame和DataSet的区别
在比较这三者的区别之前先看看他们各自的定义是什么。
Spark RDD RDD是一种弹性分布式数据集是一种只读分区数据。它是spark的基础数据结构具有内存计算能力、数据容错性以及数据不可修改特性。
Spark Dataframe Dataframe也是一种不可修改的分布式数据集合它可以按列查询数据类似于关系数据库里面的表结构。可以对数据指定数据模式schema。
Spark Dataset Dataset是DataFrame的扩展它提供了类型安全面向对象的编程接口。也就是说DataFrame是Dataset的一种特殊形式。
共同点
1、RDD、DataFrame、Dataset全都是spark平台下的分布式弹性数据集为处理超大型数据提供便利。
2、三者都有惰性机制在进行创建、转换如map方法时不会立即执行只有在遇到Action如foreach时三者才会开始遍历运算极端情况下如果代码里面有创建、转换但是后面没有在Action中使用对应的结果在执行时会被直接跳过如
val sparkconf new SparkConf().setMaster(local).setAppName(test).set(spark.port.maxRetries,1000)
val spark SparkSession.builder().config(sparkconf).getOrCreate()
val rddspark.sparkContext.parallelize(Seq((a, 1), (b, 1), (a, 1)))
rdd.map{lineprintln(运行)line._1
}map中的println(“运行”)并不会运行
3、三者都会根据spark的内存情况自动缓存运算这样即使数据量很大也不用担心会内存溢出
4、三者都有partition的概念如
var predatadata.repartition(24).mapPartitions{PartLine {PartLine.map{line println(“转换操作”)}}
}这样对每一个分区进行操作时就跟在操作数组一样不但数据量比较小而且可以方便的将map中的运算结果拿出来如果直接用mapmap中对外面的操作是无效的如
val rddspark.sparkContext.parallelize(Seq((a, 1), (b, 1), (a, 1)))var flag0val testrdd.map{lineprintln(运行)flag1println(flag)line._1}
println(test.count)
println(flag)/**运行1运行2运行330* */*不使用partition时对map之外的操作无法对map之外的变量造成影响。
5、三者有许多共同的函数如filter排序等。
6、在对DataFrame和Dataset进行操作许多操作都需要这个包进行支持。
import spark.implicits._ //这里的spark是SparkSession的变量名7、DataFrame和Dataset均可使用模式匹配获取各个字段的值和类型 DataFrame
testDF.map{case Row(col1:String,col2:Int)println(col1);println(col2)col1case _}为了提高稳健性最好后面有一个 “_” 通配操作这里提供了DataFrame一个解析字段的方法。 Dataset
case class Coltest(col1:String,col2:Int)extends Serializable //定义字段名和类型testDS.map{case Coltest(col1:String,col2:Int)println(col1);println(col2)col1case _}
区别
RDD
1、RDD一般和spark mlib同时使用 2、RDD不支持sparksql操作 上图直观地体现了DataFrame和RDD的区别。左侧的RDD[Person]虽然以Person为类型参数但Spark框架本身不了解 Person类的内部结构。而右侧的DataFrame却提供了详细的结构信息使得Spark SQL可以清楚地知道该数据集中包含哪些列每列的名称和类型各是什么。DataFrame多了数据的结构信息即schema。RDD是分布式的 Java对象的集合。DataFrame是分布式的Row对象的集合。Dataset可以认为是DataFrame的一个特例主要区别是Dataset每一个record存储的是一个强类型值而不是一个Row。
DataFrame
1、与RDD和Dataset不同DataFrame每一行的类型固定为Row只有通过解析才能获取各个字段的值如
testDF.foreach{line val col1line.getAs[String](col1)val col2line.getAs[String](col2)
}
每一列的值没法直接访问。
2、DataFrame与Dataset一般与spark ml同时使用。
dataDF.createOrReplaceTempView(tmp)
spark.sql(select ROW,DATE from tmp where DATE is not null order by DATE).show(100,false)3、DataFrame与Dataset支持一些特别方便的保存方式比如保存成csv可以带上表头这样每一列的字段名一目了然。
//保存
val saveoptions Map(header - true, delimiter - \t, path - hdfs://172.xx.xx.xx:9000/test)
datawDF.write.format(com.databricks.spark.csv).mode(SaveMode.Overwrite).options(saveoptions).save()
//读取
val options Map(header - true, delimiter - \t, path - hdfs://172.xx.xx.xx:9000/test)
val datarDF spark.read.options(options).format(com.databricks.spark.csv).load()利用这样的保存方式可以方便的获得字段名和列的对应而且分隔符delimiter可以自由指定。
Dataset
这里主要对比Dataset和DataFrame因为Dataset和DataFrame拥有完全相同的成员函数区别只是每一行的数据类型不同。
DataFrame也可以叫Dataset[Row],每一行的类型是Row不解析每一行究竟有哪些字段各个字段又是什么类型都无从得知只能用上面提到的getAS方法或者共性中的第七条提到的模式匹配拿出特定字段。
而Dataset中每一行是什么类型是不一定的在自定义了case class之后可以很自由的获得每一行的信息。
case class Coltest(col1:String,col2:Int)extends Serializable //定义字段名和类型
/**rdd(a, 1)(b, 1)(a, 1)* */
val test: Dataset[Coltest]rdd.map{lineColtest(line._1,line._2)}.toDS
test.map{lineprintln(line.col1)println(line.col2)}
可以看出Dataset在需要访问列中的某个字段时是非常方便的然而如果要写一些适配性很强的函数时如果使用Dataset行的类型又不确定可能是各种case class无法实现适配这时候用DataFrame即Dataset[Row]就能比较好的解决问题。
转化
RDD、DataFrame、Dataset三者有许多共性有各自适用的场景常常需要在三者之间转换。
DataFrame/Dataset转RDD
val rdd1testDF.rddval rdd2testDS.rddRDD转DataFrame
import spark.implicits._
val testDF rdd.map {line(line._1,line._2)}.toDF(col1,col2)一般用元组把一行的数据写在一起然后在toDF中指定字段名。
RDD转Dataset
import spark.implicits._
case class Coltest(col1:String,col2:Int)extends Serializable //定义字段名和类型
val testDS rdd.map {lineColtest(line._1,line._2)}.toDS可以注意到定义每一行的类型case class时已经给出了字段名和类型后面只要往case class里面添加值即可。
Dataset转DataFrame
只要把case class封装成Row即可。
import spark.implicits._
val testDF testDS.toDFDataFrame转Dataset
import spark.implicits._
case class Coltest(col1:String,col2:Int)extends Serializable //定义字段名和类型
val testDS testDF.as[Coltest]这种方法就是在给出每一列的类型后使用as方法转成Dataset这在数据类型是DataFrame又需要针对各个字段处理时极为方便。
注意 在使用一些特殊的操作时一定要加上 import spark.implicits._ 不然toDF、toDS无法使用。
