RDD和DataFrame和DataSet

Dataset是具有強類型的數據集合，需要提供對應的類型信息
Dataset未來會取代RDD和DataFrame

概念

DataFrame=Dataset[Row]
DataSet是強類型的。比如可以有Dataset[Person]指定了Person類型

三者的共性

1、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
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，三者纔會開始遍歷運算。
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
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
import spark.implicits._
7、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

1. RDD:
   1）RDD一般和spark mlib同時使用
   2）RDD不支持sparksql操作
2. DataFrame:
   1）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")
}

2）DataFrame與Dataset一般不與spark mlib同時使用
3）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)

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。
3. Dataset:
1）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。
2）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DataSet

rdd[Person]，首先rdd內部結構是一個對象，調用toDS方法即可

    val ds= sc.textFile("/people.txt")
    peopleRDD.map(line => {
      val para = line.split(",") 
      Person(para(0), para(1).trim.toInt)
    }).toDS()

case class Person(name: String, age: Long)

DataSet轉換爲RDD

val rdd = ds.rdd

DataFrame轉換爲DataSet

import spark.implicits._
val ds = df.as[Person]

DataSet轉DataFrame

import spark.implicits._
val df = ds.toDF