自Spark1.4加入DataFrame,1.6加入dataSet以来,RDD的主导地位不断下降,在Spark2.0.0版本之后,社区已经开始建议开发者慢慢放弃使用RDDl了,在版本的升级过程中,不同的组件对于DataSet的支持逐渐加强,目前的稳定版本可以说是DataSet已经完全取代了RDD的作用,那么这三者之间有什么区别和相似之处呢?
一、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
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,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。
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
7、DataFrame和Dataset均可使用模式匹配获取各个字段的值和类型
dataFrame.map{
caseRow(col1:String,col2:Int)=>
println(col1);println(col2)
case_=>}
case classColtest(col1:String,col2:Int)extendsSerializable//定义字段名和类型
dataSet.map{
caseColtest(col1:String,col2:Int)=>
println(col1);println(col2)
case_=>}
需要注意的是,dataSet匹配的是case类,dataFrame匹配的是Row类,并且后边有一个_通配操作提高稳健性
二、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:row.getSa[String]("字段名")
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
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,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
//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()
Dataset:
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
ataFrame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
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 rdd1=testDF.rdd
val rdd2=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(col1:String,col2: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(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
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