spark RDD Dataset DataFrame

共性：

一、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

二、三者都有惰性机制，在进行建立、转换，如map方法时，不会当即执行，只有在遇到Action如foreach时，三者才会开始遍历运算，极端状况下，若是代码里面有建立、转换，可是后面没有在Action中使用对应的结果，在执行时会被直接跳过，如

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

三、三者都会根据spark的内存状况自动缓存运算，这样即便数据量很大，也不用担忧会内存溢出

四、三者都有partition的概念，如

var predata=data.repartition(24).mapPartitions{
      PartLine => {
        PartLine.map{
          line =>
             println(“转换操做”)
                            }
                         }
}

这样对每个分区进行操做时，就跟在操做数组同样，不但数据量比较小，并且能够方便的将map中的运算结果拿出来，若是直接用map，map中对外面的操做是无效的，如

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以外的操做没法对map以外的变量形成影响

五、三者有许多共同的函数，如filter，排序等

六、在对DataFrame和Dataset进行操做许多操做都须要这个包进行支持

import spark.implicits._
//这里的spark是SparkSession的变量名

七、DataFrame和Dataset都可使用模式匹配获取各个字段的值和类型

DataFrame:

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

为了提升稳健性，最好后面有一个_通配操做，这里提供了DataFrame一个解析字段的方法

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 _=>
        ""
    }

区别：

RDD:

一、RDD通常和spark mlib同时使用

二、RDD不支持sparksql操做

DataFrame:

一、与RDD和Dataset不一样，DataFrame每一行的类型固定为Row，只有经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")
}

每一列的值无法直接访问

二、DataFrame与Dataset通常与spark ml同时使用

三、DataFrame与Dataset均支持sparksql的操做，好比select，groupby之类，还能注册临时表/视窗，进行sql语句操做，如

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

四、DataFrame与Dataset支持一些特别方便的保存方式，好比保存成csv，能够带上表头，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，能够方便的得到字段名和列的对应，并且分隔符（delimiter）能够自由指定

Dataset:

这里主要对比Dataset和DataFrame，由于Dataset和DataFrame拥有彻底相同的成员函数，区别只是每一行的数据类型不一样

DataFrame也能够叫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必定的，在自定义了case class以后能够很自由的得到每一行的信息

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)
    }

能够看出，Dataset在须要访问列中的某个字段时是很是方便的，然而，若是要写一些适配性很强的函数时，若是使用Dataset，行的类型又不肯定，多是各类case class，没法实现适配，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，有各自适用的场景经常须要在三者之间转换

DataFrame/Dataset转RDD：

这个转换很简单

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")

通常用元组把一行的数据写在一块儿，而后在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

能够注意到，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里面添加值便可

Dataset转DataFrame：

这个也很简单，由于只是把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又须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做时，必定要加上 import spark.implicits._ 否则toDF、toDS没法使用