Spark（十）SparkSQL DataSet

DataSet

• DataSet是具有强类型的数据集合，需要提供对应的类型信息

1. 创建DataSet

使用样例类序列创建DataSet

scala> case class person(id:Int,name:String,age:Int)
defined class person

scala> val caseClassDS = Seq(person(1,"zhangsan",23)).toDS()
caseClassDS: org.apache.spark.sql.Dataset[person] = [id: int, name: string ... 1 more field]

scala> caseClassDS.show()
+---+--------+---+
| id|    name|age|
+---+--------+---+
|  1|zhangsan| 23|
+---+--------+---+

**使用基本类型序列创建DataSet

scala> val DS = Seq(1,2,3).toDS
DS: org.apache.spark.sql.Dataset[Int] = [value: int]

scala> DS.show()
+-----+
|value|
+-----+
|    1|
|    2|
|    3|
+-----+

2. RDD转化为DataSet

• SparkSQL能够自动将包含有case类的RDD转换成DataSet
• case类定义了table的结构，case类属性通过反射变成了表的列名
• Case类可以包含诸如Seq或者Array等复杂的结构

3. DataSet转换为RDD

scala> val RDD = DS.rdd
RDD: org.apache.spark.rdd.RDD[Int] = MapPartitionsRDD[44] at rdd at <console>:25

scala> RDD.collect
res24: Array[Int] = Array(1, 2, 3)

4. DataFrame和DataSet转换

scala> val personDS = personDF.as[person]
personDS: org.apache.spark.sql.Dataset[person] = [id: int, name: string ... 1 more field]

scala> val DF = DS.toDF
DF: org.apache.spark.sql.DataFrame = [value: int]

scala> DF.show()
+-----+
|value|
+-----+
|    1|
|    2|
|    3|
+-----+

RDD、DataFrame、DataSet三者的关系

• 如果同样的数据都给到这三个数据结构，他们分别计算之后，都会给出相同的结果

共性

• 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
• 三者都有惰性机制，在进行创建、转换，如map方法时，不会立即执行，只有在遇到Action如foreach时，三者才会开始遍历运算
• 三者有许多共同的函数，如filter，排序等
• 在对DataFrame和Dataset进行操作许多操作都需要这个包:import spark.implicits._
• 三者都会根据Spark的内存情况自动缓存运算，这样即使数据量很大，也不用担心会内存溢出
• 三者都有partition的概念
• DataFrame和DataSet均可使用模式匹配获取各个字段的值和类型

区别

RDD

• RDD一般和spark mllib同时使用
• RDD不支持sparksql操作

DataFrame

• 与RDD和Dataset不同，DataFrame每一行的类型固定为Row，每一列的值没法直接访问，只有通过解析才能获取各个字段的值
• DataFrame与DataSet一般不与spark mllib同时使用
• DataFrame与DataSet均支持SparkSQL的操作，比如select，groupby之类，还能注册临时表/视窗，进行sql语句操作
• DataFrame与DataSet支持一些特别方便的保存方式，比如保存成csv，可以带上表头，这样每一列的字段名一目了然

DataSet

• Dataset和DataFrame拥有完全相同的成员函数，区别只是每一行的数据类型不同，DataFrame其实就是DataSet的一个特例
• DataFrame也可以叫 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getAS方法或模式匹配拿出特定字段，而Dataset中，每一行是什么类型是不一定的，在自定义了case class之后可以很自由的获得每一行的信息