spark RDD Dataset DataFrame

共性：

一、RDD、DataFrame、Dataset全都是spark平臺下的分佈式彈性數據集，爲處理超大型數據提供便利

二、三者都有惰性機制，在進行建立、轉換，如map方法時，不會當即執行，只有在遇到Action如foreach時，三者纔會開始遍歷運算，極端狀況下，若是代碼裏面有建立、轉換，可是後面沒有在Action中使用對應的結果，在執行時會被直接跳過，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("運行")
  line._1
}

map中的println("運行")並不會運行

三、三者都會根據spark的內存狀況自動緩存運算，這樣即便數據量很大，也不用擔憂會內存溢出

四、三者都有partition的概念，如

var predata=data.repartition(24).mapPartitions{
      PartLine => {
        PartLine.map{
          line =>
             println(「轉換操做」)
                            }
                         }
}

這樣對每個分區進行操做時，就跟在操做數組同樣，不但數據量比較小，並且能夠方便的將map中的運算結果拿出來，若是直接用map，map中對外面的操做是無效的，如

val rdd=spark.sparkContext.parallelize(Seq(("a", 1), ("b", 1), ("a", 1)))
    var flag=0
    val test=rdd.map{line=>
      println("運行")
      flag+=1
      println(flag)
      line._1
    }
println(test.count)
println(flag)
    /**
    運行
    1
    運行
    2
    運行
    3
    3
    0
   * */

不使用partition時，對map以外的操做沒法對map以外的變量形成影響

五、三者有許多共同的函數，如filter，排序等

六、在對DataFrame和Dataset進行操做許多操做都須要這個包進行支持

import spark.implicits._
//這裏的spark是SparkSession的變量名

七、DataFrame和Dataset都可使用模式匹配獲取各個字段的值和類型

DataFrame:

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

爲了提升穩健性，最好後面有一個_通配操做，這裏提供了DataFrame一個解析字段的方法

Dataset:

case class Coltest(col1:String,col2:Int)extends Serializable //定義字段名和類型
    testDS.map{
      case Coltest(col1:String,col2:Int)=>
        println(col1);println(col2)
        col1
      case _=>
        ""
    }

區別：

RDD:

一、RDD通常和spark mlib同時使用

二、RDD不支持sparksql操做

DataFrame:

一、與RDD和Dataset不一樣，DataFrame每一行的類型固定爲Row，只有經過解析才能獲取各個字段的值，如

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

每一列的值無法直接訪問

二、DataFrame與Dataset通常與spark ml同時使用

三、DataFrame與Dataset均支持sparksql的操做，好比select，groupby之類，還能註冊臨時表/視窗，進行sql語句操做，如

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

四、DataFrame與Dataset支持一些特別方便的保存方式，好比保存成csv，能夠帶上表頭，這樣每一列的字段名一目瞭然

//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()
//讀取
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()

利用這樣的保存方式，能夠方便的得到字段名和列的對應，並且分隔符（delimiter）能夠自由指定

Dataset:

這裏主要對比Dataset和DataFrame，由於Dataset和DataFrame擁有徹底相同的成員函數，區別只是每一行的數據類型不一樣

DataFrame也能夠叫Dataset[Row],每一行的類型是Row，不解析，每一行究竟有哪些字段，各個字段又是什麼類型都無從得知，只能用上面提到的getAS方法或者共性中的第七條提到的模式匹配拿出特定字段

而Dataset中，每一行是什麼類型是不必定的，在自定義了case class以後能夠很自由的得到每一行的信息

case class Coltest(col1:String,col2:Int)extends Serializable //定義字段名和類型
/**
      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)
    }

能夠看出，Dataset在須要訪問列中的某個字段時是很是方便的，然而，若是要寫一些適配性很強的函數時，若是使用Dataset，行的類型又不肯定，多是各類case class，沒法實現適配，這時候用DataFrame即Dataset[Row]就能比較好的解決問題

轉化：

RDD、DataFrame、Dataset三者有許多共性，有各自適用的場景經常須要在三者之間轉換

DataFrame/Dataset轉RDD：

這個轉換很簡單

val rdd1=testDF.rdd
val rdd2=testDS.rdd

RDD轉DataFrame：

import spark.implicits._
val testDF = rdd.map {line=>
      (line._1,line._2)
    }.toDF("col1","col2")

通常用元組把一行的數據寫在一塊兒，而後在toDF中指定字段名

RDD轉Dataset：

import spark.implicits._
case class Coltest(col1:String,col2:Int)extends Serializable //定義字段名和類型
val testDS = rdd.map {line=>
      Coltest(line._1,line._2)
    }.toDS

能夠注意到，定義每一行的類型（case class）時，已經給出了字段名和類型，後面只要往case class裏面添加值便可

Dataset轉DataFrame：

這個也很簡單，由於只是把case class封裝成Row

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

DataFrame轉Dataset：

import spark.implicits._
case class Coltest(col1:String,col2:Int)extends Serializable //定義字段名和類型
val testDS = testDF.as[Coltest]

這種方法就是在給出每一列的類型後，使用as方法，轉成Dataset，這在數據類型是DataFrame又須要針對各個字段處理時極爲方便

特別注意：

在使用一些特殊的操做時，必定要加上 import spark.implicits._ 否則toDF、toDS沒法使用