文章目錄

概述

在SparkSQL中Spark爲我們提供了兩個新的抽象，分別是DataFrame和DataSet。他們和RDD有什麼區別呢？

首先從版本的產生上來看：RDD (Spark1.0) —> Dataframe(Spark1.3) —> Dataset(Spark1.6)

如果同樣的數據都給到這三個數據結構，他們分別計算之後，都會給出相同的結果。不同是的他們的執行效率和執行方式。在後期的Spark版本中，DataSet會逐步取代RDD和DataFrame成爲唯一的API接口。

三者的共性

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
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，三者纔會開始遍歷運算。
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。
三者都有partition的概念
三者有許多共同的函數，如filter，排序等
在對DataFrame和Dataset進行操作許多操作都需要這個包進行支持 import spark.implicits._
DataFrame和Dataset均可使用模式匹配獲取各個字段的值和類型

三者的區別

RDD

RDD一般和spark mlib同時使用
RDD不支持sparksql操作

DataFrame

與RDD和Dataset不同，DataFrame每一行的類型固定爲Row，每一列的值沒法直接訪問，只有通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")
}

DataFrame與Dataset一般不與spark mlib同時使用
DataFrame與Dataset均支持sparksql的操作，比如select，groupby之類，還能註冊臨時表/視窗，進行sql語句操作，如：

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

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瞭然

//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()
//讀取
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

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一定的，在自定義了case class之後可以很自由的獲得每一行的信息

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)
    }

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

RDD轉換爲DateFrame

注意：如果需要RDD與DF或者DS之間操作，那麼都需要引入 import spark.implicits._ 【spark不是包名，而是sparkSession對象的名稱】

前置條件：導入隱式轉換並創建一個RDD

scala> import spark.implicits._

scala> val peopleRDD = sc.textFile("examples/src/main/resources/people.txt")
peopleRDD: org.apache.spark.rdd.RDD[String] = examples/src/main/resources/people.txt MapPartitionsRDD[3] at textFile at <console>:27

通過手動確定轉換

scala> peopleRDD.map{x=>val para = x.split(",");(para(0),para(1).trim.toInt)}.toDF("name","age")
res1: org.apache.spark.sql.DataFrame = [name: string, age: int]

通過反射確定（需要用到樣例類）

創建一個樣例類

scala> case class People(name:String, age:Int)

根據樣例類將RDD轉換爲DataFrame

scala> peopleRDD.map{ x => val para = x.split(",");People(para(0),para(1).trim.toInt)}.toDF
res2: org.apache.spark.sql.DataFrame = [name: string, age: int]

通過編程的方式（瞭解）

導入所需的類型

scala> import org.apache.spark.sql.types._
import org.apache.spark.sql.types._

創建Schema

scala> val structType: StructType = StructType(StructField("name", StringType) :: StructField("age", IntegerType) :: Nil)
structType: org.apache.spark.sql.types.StructType = StructType(StructField(name,StringType,true), StructField(age,IntegerType,true))

導入所需的類型

scala> import org.apache.spark.sql.Row
import org.apache.spark.sql.Row

根據給定的類型創建二元組RDD

scala> val data = peopleRDD.map{ x => val para = x.split(",");Row(para(0),para(1).trim.toInt)}
data: org.apache.spark.rdd.RDD[org.apache.spark.sql.Row] = MapPartitionsRDD[6] at map at <console>:33

根據數據及給定的schema創建DataFrame

scala> val dataFrame = spark.createDataFrame(data, structType)
dataFrame: org.apache.spark.sql.DataFrame = [name: string, age: int]

DateFrame轉換爲RDD

直接調用rdd即可

創建一個DataFrame

scala> val df = spark.read.json("/opt/module/spark/examples/src/main/resources/people.json")
df: org.apache.spark.sql.DataFrame = [age: bigint, name: string]

將DataFrame轉換爲RDD

scala> val dfToRDD = df.rdd
dfToRDD: org.apache.spark.rdd.RDD[org.apache.spark.sql.Row] = MapPartitionsRDD[19] at rdd at <console>:29

打印RDD

scala> dfToRDD.collect
res13: Array[org.apache.spark.sql.Row] = Array([Michael, 29], [Andy, 30], [Justin, 19])

DataSet

Dataset是具有強類型的數據集合，需要提供對應的類型信息。

創建

創建一個樣例類

scala> case class Person(name: String, age: Long)
defined class Person

創建DataSet

scala> val caseClassDS = Seq(Person("Andy", 32)).toDS()
caseClassDS: org.apache.spark.sql.Dataset[Person] = [name: string, age: bigint]

RDD轉換爲DataSet

SparkSQL能夠自動將包含有case類的RDD轉換成DataFrame，case類定義了table的結構，case類屬性通過反射變成了表的列名。

創建一個RDD

scala> val peopleRDD = sc.textFile("examples/src/main/resources/people.txt")
peopleRDD: org.apache.spark.rdd.RDD[String] = examples/src/main/resources/people.txt MapPartitionsRDD[3] at textFile at <console>:27

創建一個樣例類

scala> case class Person(name: String, age: Long)
defined class Person

將RDD轉化爲DataSet

scala> peopleRDD.map(line => {val para = line.split(",");Person(para(0),para(1).trim.toInt)}).toDS()

DataSet轉換爲RDD

調用rdd方法即可

創建一個DataSet

scala> val DS = Seq(Person("Andy", 32)).toDS()
DS: org.apache.spark.sql.Dataset[Person] = [name: string, age: bigint]

將DataSet轉換爲RDD

scala> DS.rdd
res11: org.apache.spark.rdd.RDD[Person] = MapPartitionsRDD[15] at rdd at <console>:28

DataFrame與DataSet的互操作

DataFrame轉換爲DataSet

創建一個DateFrame

scala> val df = spark.read.json("examples/src/main/resources/people.json")
df: org.apache.spark.sql.DataFrame = [age: bigint, name: string]

創建一個樣例類

scala> case class Person(name: String, age: Long)
defined class Person

將DateFrame轉化爲DataSet

scala> df.as[Person]
res14: org.apache.spark.sql.Dataset[Person] = [age: bigint, name: string]

DataSet轉換爲DataFrame

創建一個樣例類

scala> case class Person(name: String, age: Long)
defined class Person

創建DataSet

scala> val ds = Seq(Person("Andy", 32)).toDS()
ds: org.apache.spark.sql.Dataset[Person] = [name: string, age: bigint]

將DataSet轉化爲DataFrame

scala> val df = ds.toDF
df: org.apache.spark.sql.DataFrame = [name: string, age: bigint]

DataSet轉DataFrame

這個很簡單，因爲只是把case class封裝成Row

導入隱式轉換

import spark.implicits._

轉換

val testDF = testDS.toDF

DataFrame轉DataSet

導入隱式轉換

import spark.implicits._

創建樣例類

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

轉換

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又需要針對各個字段處理時極爲方便。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。

API相關練習

object SparkSQL02 {
  def main(args: Array[String]): Unit = {

    //初始化spark配置信息並建立與spark連接
    val sparkConf = new SparkConf().setMaster("local[*]").setAppName("SparkSQL02")

    val spark: SparkSession = SparkSession.builder().config(sparkConf).getOrCreate()
    //這裏的Spark不是包名的含義，是SparkSession對象
    import spark.implicits._
    //創建RDD
    val rdd: RDD[(Int,String,Int)] = spark.sparkContext.makeRDD(List((1,"zhangsan",20),(2,"lisi",30),(3,"wangwu",40)))
    //轉換爲DF
    val df: DataFrame = rdd.toDF("id","name","age")
    //轉換爲DS
    val ds:Dataset[User] = df.as[User]

    //轉換爲DF
    val df1:DataFrame = ds.toDF()

    //轉換爲RDD
    val rdd1: RDD[Row] = df1.rdd

    rdd1.foreach(row=>{
      println(row.getString(1))
    })


    spark.stop()
  }
}
case class User(id:Int,name:String,age:Int)

你知道的越多，你不知道的越多。
有道無術，術尚可求，有術無道，止於術。
如有其它問題，歡迎大家留言，我們一起討論，一起學習，一起進步

【Spark】RDD、DataFrame、DataSet互相轉換（面試重點）

文章目錄

概述

三者的共性

三者的區別

RDD轉換爲DateFrame

DateFrame轉換爲RDD

DataSet

RDD轉換爲DataSet

DataSet轉換爲RDD

DataFrame與DataSet的互操作

DataSet轉換爲DataFrame

DataSet轉DataFrame

DataFrame轉DataSet

API相關練習

力扣---2020.5.2

Mybatis的一級緩存與二級緩存使用細則

力扣---2020.5.1

Spring Boot自動配置（面試必備）

力扣---2020.5.3

Mac下配置sublime實現LaTeX

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結