spark系列-5、RDD、DataFrame、Dataset的区别和各自的优势

一、共性

1.1、RDD

从一开始 RDD 就是 Spark 提供的面向用户的主要 API。从根本上来说,一个 RDD 就是你的数据的一个不可变的分布式元素集合,在集群中跨节点分布,可以通过若干提供了转换和处理的底层 API 进行并行处理。关于RDD的详细介绍可以参考这篇文章:https://www.cnblogs.com/xiexiandong/p/12817807.html

下面是使用 RDD 的场景和常见案例:

  • 数据集进行最基本的转换、处理和控制;
  • 数据是非结构化的,比如流媒体或者字符流;
  • 通过函数式编程而不是特定领域内的表达来处理你的数据;
  • 不希望像进行列式处理一样定义一个模式,通过名字或字段来处理或访问数据属性;
  • 不在意通过 DataFrame 和 Dataset 进行结构化和半结构化数据处理所能获得的一些优化和性能上的好处;

1.2、DataFrame、DataSet

  • 与 RDD 相似,Dataset 和 DataFrame 也是数据的一个不可变分布式集合。但与 RDD 不同的是,数据都被组织到有名字的列中,就像关系型数据库中的表一样。设计 DataFrame 的目的就是要让对大型数据集的处理变得更简单,它让开发者可以为分布式的数据集指定一个模式,进行更高层次的抽象。它提供了特定领域内专用的 API 来处理你的分布式数据,并让更多的人可以更方便地使用 Spark,而不仅限于专业的数据工程师。
  • 从 Spark 2.0 开始,Dataset 开始具有两种不同类型的 API 特征:有明确类型的 API 和无类型的 API。从概念上来说,你可以把 DataFrame 当作一些通用对象 Dataset[Row] 的集合的一个别名,而一行就是一个通用的无类型的 JVM 对象。与之形成对比,Dataset 就是一些有明确类型定义的 JVM 对象的集合,通过你在 Scala 中定义的 Case Class 或者 Java 中的 Class 来指定。

1.3、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. 三者都可以缓存运算;
  4. 三者都有partition的;
  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. 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
    1. DataFrame:
    2. testDF map {
            case Row(col1:String,col2:Int)=>
              println(col1);println(col2)
              col1
            case _=>  // 为了提高稳健性,最好后面有一个_通配操作(匹配所有)
              ""
      }
    3. DataSet:
    4. case class Coltest(col1:String,col2:Int) //定义字段名和类型
      testDS map {
        case Coltest(col1:String,col2:Int)=>
          println(col1);println(col2)
          col1
        case _=>
          ""
      }

二、区别

DataFrame:

  • 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(getAs),如
    • testDF.foreach{
      line =>
      val col1=line.getAs[String]("col1")
      val col2=line.getAs[String]("col2")
      }
    • 每一列的值没法直接访问
  • RDD不支持sparksql操作,DataFrame与Dataset均支持spark-sql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)
  • 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*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可以不同
  • 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*的获得每一行的信息
  • case class Coltest(name: String, col2: Int)
    
    //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.name)
      println (line.col2)
    }

三、三者之间转化

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:

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]

 

上一篇:pyspark udf传入固定参数


下一篇:[转]总结了这67个pandas函数,完美解决数据处理