SparkSQL 的创建 DataFrame 和 DataSet，和 rdd 的联系

1.1   创建 DataFrame

With a SparkSession, applications can create DataFrames from an existing RDD, from a Hive table, or from Spark data sources.

有了 SparkSession 之后, 通过 SparkSession有 3 种方式来创建DataFrame:

1、通过 Spark 的数据源创建

2、通过已知的 RDD 来创建

3、通过查询一个 Hive 表来创建.

 

 

 

1.2   创建DataSet

1、使用样例类的序列得到DataSet

2、使用基本类型的序列得到 DataSet

3、在实际使用的时候, 很少用到把序列转换成 DataSet, 更多的是通过RDD来得到DataSet

 

 

1.3 RDD, DataFrame和 DataSet 之间的关系

1. 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
2. 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。
3. 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
4. 三者都有partition的概念
5. 三者有许多共同的函数，如map, filter，排序等
6. 在对 DataFrame和Dataset进行操作许多操作都需要这个包进行支持 import spark.implicits._
7. DataFrame和Dataset均可使用模式匹配获取各个字段的值和类型

 

1.4   三者的区别

　　1.4.1 RDD

1. RDD一般和spark mlib同时使用
2. RDD不支持sparksql操作

　　1.4.2 DataFrame

1. 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，
2. DataFrame与DataSet一般不与 spark mlib 同时使用
3. 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
4. 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(后面专门讲解)

　　1.4.3  DataSet

1. 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
2. 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，只能用上面提到的getAS方法或者共性中的第七条提到的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

 

 

 

 

 

 

 

RDD, DataFrame和 DataSet 之间的转换