深入浅出spark数据结构-RDD,DataFrame,DataSet

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，执行trainform操作时不会立即执行，遇到Action才会执行
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

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

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

import SparkSession.implicits._

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

testDF.map{       case Row(col1:String,col2:Int)=>         println(col1);println(col2)         col1       case _=>         ""     }

Dataset:

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 _=>         ""     } 2. 对比： 2.1 RDD：

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

2.2 DataFrame和Dataset相同点:

1、DataFrame与Dataset一般与spark ml同时使用
2、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

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

3、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

//保存 val saveoptions = Map("header" -> "true", "delimiter" -> "\t", "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" -> "\t", "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

2.3 DataFrame和Dataset不同点:

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
1）DataFrame也可以叫Dataset[Row],dataframe每一行的类型是Row（不解析的话无法得知每一行的字段名和对应的字段类型）
拿出dataframe行中特定字段的方法有两个：

getAS方法 testDF.foreach{   line =>     val col1=line.getAs[String]("col1")     val col2=line.getAs[String]("col2") } 模式匹配 testDF.map{       case Row(col1:String,col2:Int)=>         println(col1);println(col2)         col1       case _=>         ""     }

2） 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（可以定义字段名和类型）

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

3. 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： val rdd1=testDF.rdd val rdd2=testDS.rdd RDD转DataFrame： import spark.implicits._ val testDF = rdd.map {line=>       (line._1,line._2)     }.toDF("col1","col2")