欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

Spark之【SparkSQL编程】系列(No3)——《RDD、DataFrame、DataSet三者的共性和区别》

程序员文章站 2022-05-03 13:10:02
...

        本篇作为【SparkSQL编程】系列的第三篇博客,为大家介绍的是RDD、DataFrame、DataSet三者的共性和区别

        码字不易,先赞后看,养成习惯!
Spark之【SparkSQL编程】系列(No3)——《RDD、DataFrame、DataSet三者的共性和区别》


5. RDD、DataFrame、DataSet

Spark之【SparkSQL编程】系列(No3)——《RDD、DataFrame、DataSet三者的共性和区别》
        在SparkSQL中Spark为我们提供了两个新的抽象,分别是DataFrameDataSet。他们和RDD有什么区别呢?首先从版本的产生上来看:

RDD (Spark1.0)> Dataframe(Spark1.3)> Dataset(Spark1.6)

        如果同样的数据都给到这三个数据结构,他们分别计算之后,都会给出相同的结果。不同是的他们的执行效率执行方式

        在后期的Spark版本中,DataSet会逐步取代RDD和DataFrame成为唯一的API接口。

5.1 三者的共性

        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(行动算子)如foreach时,三者才会开始遍历运算。

        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

        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._

        7. DataFrame和Dataset均可使用模式匹配获取各个字段的值和类型

例如:

DataFrame:

testDF.map{
      case Row(col1:String,col2:Int)=>
        println(col1);println(col2)
        col1
      case _=>
        ""
    }

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)
        col1
      case _=>
        ""
    }

5.2 三者的区别

1.RDD:

        1). RDD一般和spark mlib(机器学习库)同时使用
        
        2). RDD不支持sparksql操作

        
2.DataFrame:

        1). 与RDD和Dataset不同,DataFrame每一行的类型固定为Row,每一列的值没法直接访问,只有通过解析才能获取各个字段的值,如:

testDF.foreach{
  line =>
    val col1=line.getAs[String]("col1")
    val col2=line.getAs[String]("col2")
}

        2). DataFrame与Dataset一般不与spark mlib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://hadoop102:9000/test")
datawDF.write.format("com.atguigu.spark.csv").mode(SaveMode.Overwrite).options(saveoptions).save()
//读取
val options = Map("header" -> "true", "delimiter" -> "\t", "path" -> "hdfs://hadoop102:9000/test")
val datarDF= spark.read.options(options).format("com.atguigu.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。

3.Dataset:

        1). 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。

        2). 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。

示例:

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{line=>
      Coltest(line._1,line._2)
    }.toDS
test.map{
      line=>
        println(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。

5.3 转化总结

        关于RDD、DataFrame、DataSet之间如何相互转换,博主已经在该系利的前几篇博客中说明白了~这里就以一张图的形式为大家总结复习一下!
Spark之【SparkSQL编程】系列(No3)——《RDD、DataFrame、DataSet三者的共性和区别》


        好了,本次的分享就到这里。受益的小伙伴或对大数据技术感兴趣的朋友记得点赞关注一下哟~下一篇博客,将介绍如何在IDEA上编写SparkSQL程序,敬请期待!!!

        
        
Spark之【SparkSQL编程】系列(No3)——《RDD、DataFrame、DataSet三者的共性和区别》

相关标签: # Spark