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
1 2 3 4 5 6 7 8 | 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
1 2 3 4 5 6 7 8 | 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
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 | 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
1 2 | 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:
1 2 3 4 5 6 7 | 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:
1 2 3 4 5 6 7 8 | 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
1 2 3 4 5 | 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
1 2 | 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
1 2 3 4 5 6 | //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
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 | 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
1 2 | val rdd 1 = testDF.rdd val rdd 2 = testDS.rdd |
RDD转DataFrame:
1 2 3 4 | 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:
1 2 3 4 5 | 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
1 2 | import spark.implicits. _ val testDF = testDS.toDF |
DataFrame转Dataset:
1 2 3 | 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] |
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
特别注意:
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
这篇关于rdd,dataframe,dataset之间的区别的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!