zoukankan      html  css  js  c++  java

  • RDD和Dataframe相互转换

    参考：https://www.cnblogs.com/starwater/p/6841807.html

    在spark中，RDD、DataFrame、Dataset是最常用的数据类型，本博文给出笔者在使用的过程中体会到的区别和各自的优势

    共性：

    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，极端情况下，如果代码里面有创建、转换，但是后面没有在Action中使用对应的结果，在执行时会被直接跳过，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("运行")
      line._1
    }

    map中的println("运行")并不会运行

    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，如

    1
    2
    3
    4
    5
    6
    7
    8
    var predata=data.repartition(24).mapPartitions{
          PartLine => {
            PartLine.map{
              line =>
                 println(“转换操作”)
                                }
                             }
    } 

    这样对每一个分区进行操作时，就跟在操作数组一样，不但数据量比较小，而且可以方便的将map中的运算结果拿出来，如果直接用map，map中对外面的操作是无效的，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("运行")
          flag+=1
          println(flag)
          line._1
        }
    println(test.count)
    println(flag)
        /**
        运行
        1
        运行
        2
        运行
        3
        3
        0
       * */

    不使用partition时，对map之外的操作无法对map之外的变量造成影响

    5、三者有许多共同的函数，如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

    1
    2
    import spark.implicits._
    //这里的spark是SparkSession的变量名

    7、DataFrame和Dataset均可使用模式匹配获取各个字段的值和类型

    DataFrame:

    1
    2
    3
    4
    5
    6
    7
    testDF.map{
          case Row(col1:String,col2:Int)=>
            println(col1);println(col2)
            col1
          case _=>
            ""
        }

    为了提高稳健性，最好后面有一个_通配操作，这里提供了DataFrame一个解析字段的方法

    Dataset:

    1
    2
    3
    4
    5
    6
    7
    8
    case class Coltest(col1:String,col2:Int)extends Serializable //定义字段名和类型
        testDS.map{
          case Coltest(col1:String,col2:Int)=>
            println(col1);println(col2)
            col1
          case _=>
            ""
        }

    　　

    区别：

    RDD:

    1、RDD一般和spark mlib同时使用

    2、RDD不支持sparksql操作

    DataFrame:

    1、与RDD和Dataset不同，DataFrame每一行的类型固定为Row，只有通过解析才能获取各个字段的值，如

    1
    2
    3
    4
    5
    testDF.foreach{
      line =>
        val col1=line.getAs[String]("col1")
        val col2=line.getAs[String]("col2")
    }

    每一列的值没法直接访问

    2、DataFrame与Dataset一般与spark ml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，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

    1
    2
    3
    4
    5
    6
    //保存
    val saveoptions = Map("header" -> "true", "delimiter" -> " ", "path" -> "hdfs://172.xx.xx.xx:9000/test")
    datawDF.write.format("com.databricks.spark.csv").mode(SaveMode.Overwrite).options(saveoptions).save()
    //读取
    val options = Map("header" -> "true", "delimiter" -> " ", "path" -> "hdfs://172.xx.xx.xx:9000/test")
    val datarDF= spark.read.options(options).format("com.databricks.spark.csv").load()

    利用这样的保存方式，可以方便的获得字段名和列的对应，而且分隔符（delimiter）可以自由指定

    Dataset:

    这里主要对比Dataset和DataFrame，因为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

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    case class Coltest(col1:String,col2:Int)extends Serializable //定义字段名和类型
    /**
          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在需要访问列中的某个字段时是非常方便的，然而，如果要写一些适配性很强的函数时，如果使用Dataset，行的类型又不确定，可能是各种case class，无法实现适配，这时候用DataFrame即Dataset[Row]就能比较好的解决问题

    转化：

    RDD、DataFrame、Dataset三者有许多共性，有各自适用的场景常常需要在三者之间转换

    DataFrame/Dataset转RDD：

    这个转换很简单

    1
    2
    val rdd1=testDF.rdd
    val rdd2=testDS.rdd

    RDD转DataFrame：

    1
    2
    3
    4
    import spark.implicits._
    val testDF = rdd.map {line=>
          (line._1,line._2)
        }.toDF("col1","col2")

    一般用元组把一行的数据写在一起，然后在toDF中指定字段名

    RDD转Dataset：

    1
    2
    3
    4
    5
    import spark.implicits._
    case class Coltest(col1:String,col2:Int)extends Serializable //定义字段名和类型
    val testDS = rdd.map {line=>
          Coltest(line._1,line._2)
        }.toDS

    可以注意到，定义每一行的类型（case class）时，已经给出了字段名和类型，后面只要往case class里面添加值即可

    Dataset转DataFrame：

    这个也很简单，因为只是把case class封装成Row

    1
    2
    import spark.implicits._
    val testDF = testDS.toDF

    DataFrame转Dataset：

    1
    2
    3
    import spark.implicits._
    case class Coltest(col1:String,col2:Int)extends Serializable //定义字段名和类型
    val testDS = testDF.as[Coltest]

    这种方法就是在给出每一列的类型后，使用as方法，转成Dataset，这在数据类型是DataFrame又需要针对各个字段处理时极为方便

    特别注意：

    在使用一些特殊的操作时，一定要加上 import spark.implicits._ 不然toDF、toDS无法使用
  • 相关阅读:
    FileInputStream 小Demo
    GUI线程 ：打字母游戏
    联合线程（案例顾客买蛋糕 ：使用join()方法）
    多线程：竞赛
    线程：交通灯
    猜数字游戏
    正则表达式
    音频播放的三种方式：
    进阶篇－用户界面：7.android动画－自定义视图动画
    进阶篇－用户界面：6.android studio使用github开源库实现下拉刷新
  • 原文地址：https://www.cnblogs.com/maxigang/p/10030834.html
Copyright © 2011-2022 走看看