參考：https://www.cnblogs.com/starwater/p/6841807.html
在spark中，RDD、DataFrame、Dataset是最常用的數據類型，本博文給出筆者在使用的過程中體會到的區別和各自的優勢
共性：
1、RDD、DataFrame、Dataset全都是spark平台下的分布式彈性數據集，為處理超大型數據提供便利
2、三者都有惰性機制，在進行創建、轉換，如map方法時，不會立即執行，只有在遇到Action如foreach時，三者才會開始遍歷運算，極端情況下，如果代碼里面有創建、轉換，但是后面沒有在Action中使用對應的結果，在執行時會被直接跳過，如
|
1
2
3
4
5
6
7
8
|
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
3、三者都會根據spark的內存情況自動緩存運算，這樣即使數據量很大，也不用擔心會內存溢出
4、三者都有partition的概念，如
|
1
2
3
4
5
6
7
8
|
var
predata
=
data.repartition(
24
).mapPartitions{
PartLine
=
> {
PartLine.map{
line
=
>
println(“轉換操作”)
}
}
}
|
這樣對每一個分區進行操作時，就跟在操作數組一樣，不但數據量比較小，而且可以方便的將map中的運算結果拿出來，如果直接用map，map中對外面的操作是無效的，如
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
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之外的操作無法對map之外的變量造成影響
5、三者有許多共同的函數，如filter，排序等
6、在對DataFrame和Dataset進行操作許多操作都需要這個包進行支持
|
1
2
|
import
spark.implicits.
_
//這里的spark是SparkSession的變量名
|
7、DataFrame和Dataset均可使用模式匹配獲取各個字段的值和類型
DataFrame:
|
1
2
3
4
5
6
7
|
testDF.map{
case
Row(col
1
:
String,col
2
:
Int)
=
>
println(col
1
);println(col
2
)
col
1
case
_=
>
""
}
|
為了提高穩健性，最好后面有一個_通配操作，這里提供了DataFrame一個解析字段的方法
Dataset:
|
1
2
3
4
5
6
7
8
|
case
class
Coltest(col
1
:
String,col
2
:
Int)
extends
Serializable
//定義字段名和類型
testDS.map{
case
Coltest(col
1
:
String,col
2
:
Int)
=
>
println(col
1
);println(col
2
)
col
1
case
_=
>
""
}
|
區別：
RDD:
1、RDD一般和spark mlib同時使用
2、RDD不支持sparksql操作
DataFrame:
1、與RDD和Dataset不同，DataFrame每一行的類型固定為Row，只有通過解析才能獲取各個字段的值，如
|
1
2
3
4
5
|
testDF.foreach{
line
=
>
val
col
1
=
line.getAs[String](
"col1"
)
val
col
2
=
line.getAs[String](
"col2"
)
}
|
每一列的值沒法直接訪問
2、DataFrame與Dataset一般與spark ml同時使用
3、DataFrame與Dataset均支持sparksql的操作，比如select，groupby之類，還能注冊臨時表/視窗，進行sql語句操作，如
|
1
2
|
dataDF.createOrReplaceTempView(
"tmp"
)
spark.sql(
"select ROW,DATE from tmp where DATE is not null order by DATE"
).show(
100
,
false
)
|
4、DataFrame與Dataset支持一些特別方便的保存方式，比如保存成csv，可以帶上表頭，這樣每一列的字段名一目了然
|
1
2
3
4
5
6
|
//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，可以方便的獲得字段名和列的對應，而且分隔符（delimiter）可以自由指定
Dataset:
這里主要對比Dataset和DataFrame，因為Dataset和DataFrame擁有完全相同的成員函數，區別只是每一行的數據類型不同
DataFrame也可以叫Dataset[Row],每一行的類型是Row，不解析，每一行究竟有哪些字段，各個字段又是什么類型都無從得知，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，每一行是什么類型是不一定的，在自定義了case class之后可以很自由的獲得每一行的信息
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
case
class
Coltest(col
1
:
String,col
2
:
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.col
1
)
println(line.col
2
)
}
|
可以看出，Dataset在需要訪問列中的某個字段時是非常方便的，然而，如果要寫一些適配性很強的函數時，如果使用Dataset，行的類型又不確定，可能是各種case class，無法實現適配，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，有各自適用的場景常常需要在三者之間轉換
DataFrame/Dataset轉RDD：
這個轉換很簡單
|
1
2
|
val
rdd
1
=
testDF.rdd
val
rdd
2
=
testDS.rdd
|
RDD轉DataFrame：
|
1
2
3
4
|
import
spark.implicits.
_
val
testDF
=
rdd.map {line
=
>
(line.
_
1
,line.
_
2
)
}.toDF(
"col1"
,
"col2"
)
|
一般用元組把一行的數據寫在一起，然后在toDF中指定字段名
RDD轉Dataset：
|
1
2
3
4
5
|
import
spark.implicits.
_
case
class
Coltest(col
1
:
String,col
2
:
Int)
extends
Serializable
//定義字段名和類型
val
testDS
=
rdd.map {line
=
>
Coltest(line.
_
1
,line.
_
2
)
}.toDS
|
可以注意到，定義每一行的類型（case class）時，已經給出了字段名和類型，后面只要往case class里面添加值即可
Dataset轉DataFrame：
這個也很簡單，因為只是把case class封裝成Row
|
1
2
|
import
spark.implicits.
_
val
testDF
=
testDS.toDF
|
DataFrame轉Dataset：
|
1
2
3
|
import
spark.implicits.
_
case
class
Coltest(col
1
:
String,col
2
:
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后，使用as方法，轉成Dataset，這在數據類型是DataFrame又需要針對各個字段處理時極為方便
特別注意：
在使用一些特殊的操作時，一定要加上 import spark.implicits._ 不然toDF、toDS無法使用