Spark RDD、DataFrame和DataSet的区别

RDD:

优点:

1. 编译时类型安全
编译时就能检查出类型错误

2. 面向对象的编程风格
直接通过类名点的方式来操作数据

缺点:

1. 序列化和反序列化的性能开销
无论是集群间的通信, 还是IO操作都需要对对象的结构和数据进行序列化和反序列化.

2. GC的性能开销
频繁的创建和销毁对象,势必会增加GC

importorg.apache.spark.sql.SQLContext

importorg.apache.spark.{SparkConf, SparkContext}

object Run {

defmain(args: Array[String]) {

val conf = new SparkConf().setAppName("test").setMaster("local")

valsc = new SparkContext(conf)

sc.setLogLevel("WARN")

valsqlContext = new SQLContext(sc)

/**

* id age

* 1 30

* 2 29

* 3 21

case class Person(id: Int, age: Int)

validAgeRDDPerson = sc.parallelize(Array(Person(1, 30), Person(2, 29), Person(3,21)))

// 优点1

// idAge.filter(_.age > "") //编译时报错, int不能跟String比

// 优点2

idAgeRDDPerson.filter(_.age > 25) //直接操作一个个的person对象

}

DataFrame

DataFrame引入了schema和off-heap

· schema : RDD每一行的数据,结构都是一样的. 这个结构就存储在schema中. Spark通过schame就能够读懂数据,因此在通信和IO时就只需要序列化和反序列化数据,而结构的部分就可以省略了.

· off-heap :意味着JVM堆以外的内存,这些内存直接受操作系统管理（而不是JVM）。Spark能够以二进制的形式序列化数据(不包括结构)到off-heap中,当要操作数据时, 就直接操作off-heap内存.由于Spark理解schema,所以知道该如何操作.

off-heap就像地盘, schema就像地图, Spark有地图又有自己地盘了,就可以自己说了算了, 不再受JVM的限制,也就不再收GC的困扰了.

通过schema和off-heap, DataFrame解决了RDD的缺点,但是却丢了RDD的优点. DataFrame不是类型安全的, API也不是面向对象风格的.

importorg.apache.spark.sql.types.{DataTypes, StructField, StructType}

importorg.apache.spark.sql.{Row, SQLContext}

importorg.apache.spark.{SparkConf, SparkContext}

object Run {

defmain(args: Array[String]) {

val conf = new SparkConf().setAppName("test").setMaster("local")

valsc = new SparkContext(conf)

sc.setLogLevel("WARN")

valsqlContext = new SQLContext(sc)

/**

* id age

* 1 30

* 2 29

* 3 21

val idAgeRDDRow = sc.parallelize(Array(Row(1,30), Row(2, 29), Row(4, 21)))

val schema = StructType(Array(StructField("id", DataTypes.IntegerType),StructField("age", DataTypes.IntegerType)))

validAgeDF = sqlContext.createDataFrame(idAgeRDDRow, schema)

// API不是面向对象的

idAgeDF.filter(idAgeDF.col("age") > 25)

//不会报错, DataFrame不是编译时类型安全的

idAgeDF.filter(idAgeDF.col("age") > "")

}

DataSet

DataSet结合了RDD和DataFrame的优点,并带来的一个新的概念Encoder

当序列化数据时, Encoder产生字节码与off-heap进行交互,能够达到按需访问数据的效果,而不用反序列化整个对象. Spark还没有提供自定义Encoder的API,但是未来会加入.

下面看DataFrame和DataSet在2.0.0-preview中的实现

下面这段代码,在1.6.x中创建的是DataFrame

// 上文DataFrame示例中提取出来的

val idAgeRDDRow =sc.parallelize(Array(Row(1, 30), Row(2,29), Row(4, 21)))

val schema =StructType(Array(StructField("id",DataTypes.IntegerType), StructField("age", DataTypes.IntegerType)))

val idAgeDF =sqlContext.createDataFrame(idAgeRDDRow, schema)

但是同样的代码在2.0.0-preview中,创建的虽然还叫DataFrame

//sqlContext.createDataFrame(idAgeRDDRow, schema)方法的实现, 返回值依然是DataFrame

def createDataFrame(rowRDD: RDD[Row], schema:StructType): DataFrame = {

sparkSession.createDataFrame(rowRDD,schema)

}

但是其实却是DataSet,因为DataFrame被声明为Dataset[Row]

package object sql{

// ...省略了不相关的代码

type DataFrame = Dataset[Row]

}

因此当我们从1.6.x迁移到2.0.0的时候,无需任何修改就直接用上了DataSet.

下面是一段DataSet的示例代码

importorg.apache.spark.sql.types.{DataTypes, StructField, StructType}

importorg.apache.spark.sql.{Row, SQLContext}

importorg.apache.spark.{SparkConf, SparkContext}

object Test {

defmain(args: Array[String]) {

val conf = new SparkConf().setAppName("test").setMaster("local")//调试的时候一定不要用local[*]

valsc = new SparkContext(conf)

val sqlContext = new SQLContext(sc)

import sqlContext.implicits._

val idAgeRDDRow = sc.parallelize(Array(Row(1,30), Row(2, 29), Row(4, 21)))

val schema = StructType(Array(StructField("id", DataTypes.IntegerType),StructField("age", DataTypes.IntegerType)))

//在2.0.0-preview中这行代码创建出的DataFrame, 其实是DataSet[Row]

validAgeDS = sqlContext.createDataFrame(idAgeRDDRow, schema)

// 在2.0.0-preview中, 还不支持自定的Encoder, Row类型不行, 自定义的bean也不行

// 官方文档也有写通过bean创建Dataset的例子，但是我运行时并不能成功

// 所以目前需要用创建DataFrame的方法, 来创建DataSet[Row]

// sqlContext.createDataset(idAgeRDDRow)

// 目前支持String, Integer, Long等类型直接创建Dataset

Seq(1, 2, 3).toDS().show()

sqlContext.createDataset(sc.parallelize(Array(1, 2, 3))).show()

}

参考

Introducing ApacheSpark Datasets
APACHE SPARK: RDD,DATAFRAME OR DATASET?
http://www.jianshu.com/p/c0181667daa0
Spark2.0.0-preview官方文档

Spark RDD、DataFrame和DataSet的区别相关推荐

Spark中RDD、DataFrame和DataSet的区别与联系
一.RDD.DataFrame和DataSet的定义在开始Spark RDD与DataFrame与Dataset之间的比较之前,先让我们看一下Spark中的RDD,DataFrame和Dataset ...
RDD, DataFrame or Dataset
RDD, DataFrame or Dataset @(SPARK)[spark] 文章主要内容来自: https://databricks.com/blog/2016/05/11/apache-sp ...
DataFrame与Dataset 的区别
DataFrame与Dataset 的关系 DataFrame与Dataset一般与spark ml同时使用 DataFrame与Dataset均支持sparksql的操作,比如select,grou ...
Spark中RDD与DataFrame与DataSet的区别与联系
1.概述这是一个面试题在Spark中,DataFrame是一种以RDD为基础的分布式数据集,类似传统数据库中的二维表格 DataFrame与RDD的主要区别在于,前者带有schema元数据信息,既 ...
spark RDD 的map与flatmap区别说明(转)
转载前备注: 下面的实验全部在spark-shell中运行即可 #------------------------------------------------------------------- ...
【大数据开发】SparkSQL——RDD、DataFrame、DataSet相互转换、DSL常用方法、SQL风格语法、Spark读写操作、获取Column对象的方式
take,takeAsList是Action操作 limit⽅法获取指定DataFrame的前n⾏记录,得到⼀个新的DataFrame对象.和take与head不同的是,limit⽅法不是Action ...
spark sql定义RDD、DataFrame与DataSet
RDD 优点: 编译时类型安全编译时就能检查出类型错误面向对象的编程风格直接通过类名点的方式来操作数据缺点: 序列化和反序列化的性能开销无论是集群间的通信, 还是IO操作都需要对对象的结构和 ...
专业工程师看过来~ | RDD、DataFrame和DataSet的细致区别
作者:苏小宝,现任华为工程师. RDD.DataFrame和DataSet是容易产生混淆的概念,必须对其相互之间对比,才可以知道其中异同. RDD和DataFrame 上图直观地体现了DataFram ...
spark基础之RDD和DataFrame和Dataset比较
一 SparkSQL简介 Spark SQL是一个能够利用Spark进行结构化数据的存储和操作的组件,结构化数据可以来自外部结构化数据源也可以通过RDD获取. 外部的结构化数据源包括Hive,JSON ...
大数据入门：Spark RDD、DataFrame、DataSet
在Spark的学习当中,RDD.DataFrame.DataSet可以说都是需要着重理解的专业名词概念.尤其是在涉及到数据结构的部分,理解清楚这三者的共性与区别,非常有必要.今天的大数据入门分享,我们 ...

Spark RDD、DataFrame和DataSet的区别

Spark RDD、DataFrame和DataSet的区别相关推荐

最新文章

热门文章