【Spark】RDD、DataFram、DataSet的比较与使用

话题挑战赛第2期

参赛话题：Spark实战经验分享

目录

简介

1、诞生顺序

2、三者之间的转化

理论基础

(一)概念

(二)区别

(三)共同点

实践应用

创建case类

创建dataFram

dataFram转rdd

dataFram转dataSet 

rdd转dataFram

rdd转化为dataSet

dataSet转dataFram

dataSet转rdd

行打印比较        

---

简介

1、诞生顺序

2、三者之间的转化

理论基础

(一)概念

• RDD

        RDD是一种弹性分布式数据集，是Spark中最基本的数据抽象。RDD是只读的记录分区的集合，只能通过在其他RDD执行确定的转换操作（如map、join和group by）而创建，然而这些限制使得实现容错的开销很低。RDD的每一个分区对应就是一个Task线程。

• DataFram

        DataFrame是一种分布式的数据集，并且以列的方式组合的。类似于关系型数据库中的表。可以说是一个具有良好优化技术的关系表。DataFrame背后的思想是允许处理大量结构化数据。提供了一些抽象的操作，如select、filter、aggregation、plot。DataFrame包含带schema的行。schema是数据结构的说明。相当于具有schema的RDD。

• DataSet

        DataSet是可以并行使用函数或关系操作转化特定域对象的强类型集合。每个DataSet有一个非类型化的DataFram。DataFram是DataSet[Row]的别名。

(二)区别

• DataFram与RDD的主要区别在于，前者带有Schema元信息，即DataFram表示的二维表数据集的每一列都带有名称和类型。这使得Spark SQL 得以解析到具体数据的结构信息，从而对DataFram中的数据源以及对DataFram的操作进行了非常有效的优化，从而大幅提升了运行效率。RDD一般和Spark MLlib同时使用。
• 与DataFram不同的是，DataSet是强类型的，而DataFram实际上就是DataSet[Row](也就是java中的DataSet)。

(三)共同点

        三者都是弹性分布式数据集，都有分区的概念和惰性机制，在进行创建、转换操作时不会立即执行，只有在遇到执行算子时，才会开始执行计算。 

实践应用

• 创建case类

case class User(name: String, age: Int, address: String)

• 创建dataFram

val spark = SparkSession.builder().master("local[*]")
.appName("test").getOrCreate()
import spark.implicits._
val sc = spark.sparkContext
sc.setLogLevel("WARN")
/**
* 创建DataFram
*/
val user_df: DataFrame = Seq(
   User("zhangsan", 20, "河南"),
   User("lisi", 16, "北京"),
   User("wangwu", 21, "上海")
   ).toDF()

• dataFram转rdd

val user_rdd: RDD[Row] = user_df.rdd

• dataFram转dataSet 

val user_dataset: Dataset[User] = user_df.as[User]

• rdd转dataFram

val rddTodf: DataFrame = user_rdd.map(row => {
     (row.getAs[String](0), row.getAs[Int](1), row.getAs[String](2))
   }).toDF("name1", "age1", "address1")

• rdd转化为dataSet

val rddToDs: Dataset[User] = user_rdd.map(row => {
     User(row.getAs[String](0), row.getAs[Int](1), row.getAs[String](2))
   }).toDS()

• dataSet转dataFram

val dsToDf: DataFrame = user_dataset.toDF()

• dataSet转rdd

val rdd: RDD[User] = user_dataset.rdd

• 行打印比较        

 user_df.foreach(t => println(t))
 
[zhangsan,20,河南]
[wangwu,21,上海]
[lisi,16,北京]
 
user_rdd.foreach(t => println(t))
[lisi,16,北京]
[zhangsan,20,河南]
[wangwu,21,上海]
 
user_dataset.foreach(t => println(t))
User(zhangsan,20,河南)
User(wangwu,21,上海)
User(lisi,16,北京)