rdd,dataframe,dataset之间的区别

本文主要是介绍rdd,dataframe,dataset之间的区别，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

在spark中，RDD、DataFrame、Dataset是最常用的数据类型，本博文给出笔者在使用的过程中体会到的区别和各自的优势

共性：

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  rdd = spark.sparkContext.parallelize(Seq(( "a" ,  1 ), ( "b" ,  1 ), ( "a" ,  1 ))) 
 rdd.map{line = > 
    println( "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  predata = data.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map，map中对外面的操作是无效的，如

  val  rdd = spark.sparkContext.parallelize(Seq(( "a" ,  1 ), ( "b" ,  1 ), ( "a" ,  1 ))) 
      var  flag = 0 
      val  test = rdd.map{line = > 
        println( "运行" ) 
        flag+ = 1 
        println(flag) 
        line. _ 1 
      } 
 println(test.count) 
 println(flag) 
      /** 
      运行 
      1 
      运行 
      2 
      运行 
      3 
      3 
      0 
     * */ 
 

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(col 1 : String,col 2 : Int) = > 
          println(col 1 );println(col 2 ) 
          col 1 
        case  _= > 
          "" 
      } 
 

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(col 1 : String,col 2 : Int) extends  Serializable  //定义字段名和类型 
      testDS.map{ 
        case  Coltest(col 1 : String,col 2 : Int) = > 
          println(col 1 );println(col 2 ) 
          col 1 
        case  _= > 
          "" 
      } 
 

区别：

RDD:

1、RDD一般和spark mlib同时使用

2、RDD不支持sparksql操作

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  col 1 = line.getAs[String]( "col1" ) 
      val  col 2 = line.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

3、DataFrame与Dataset均支持sparksql的操作，比如select，groupby之类，还能注册临时表/视窗，进行sql语句操作，如

  dataDF.createOrReplaceTempView( "tmp" ) 
 spark.sql( "select  ROW,DATE from tmp where DATE is not null order by DATE" ).show( 100 , false ) 
 

4、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(col 1 : String,col 2 : Int) extends  Serializable  //定义字段名和类型 
 /** 
        rdd 
        ("a", 1) 
        ("b", 1) 
        ("a", 1) 
        * */ 
 val  test :  Dataset[Coltest] = rdd.map{line = > 
        Coltest(line. _ 1 ,line. _ 2 ) 
      }.toDS 
 test.map{ 
        line = > 
          println(line.col 1 ) 
          println(line.col 2 ) 
      } 
 

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：

这个转换很简单

  val  rdd 1 = testDF.rdd 
 val  rdd 2 = testDS.rdd 
 

RDD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(col 1 : String,col 2 : Int) extends  Serializable  //定义字段名和类型 
 val  testDS  =  rdd.map {line = > 
        Coltest(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：

这个也很简单，因为只是把case class封装成Row

  import  spark.implicits. _ 
 val  testDF  =  testDS.toDF 
 

DataFrame转Dataset：

  import  spark.implicits. _ 
 case  class  Coltest(col 1 : String,col 2 : Int) extends  Serializable  //定义字段名和类型 
 val  testDS  =  testDF.as[Coltest] 
 