07.RDD、DataFrame和DataSet对比与转换

Leefs 2021-07-16 PM 1663℃ 0条

# 07.RDD、DataFrame和DataSet对比与转换

### 一、对比

#### 1.1 版本产生对比

+ Spark1.0 => RDD

+  Spark1.3 => DataFrame

+ Spark1.6 => Dataset

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。不 同是的他们的执行效率和执行方式。在后期的 Spark 版本中，DataSet 有可能会逐步取代 RDD 和 DataFrame 成为唯一的 API 接口。

#### 1.2 三者的共性

+ 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._（在 创建好 SparkSession 对象后尽量直接导入）
+ 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

#### 1.3 三者的区别

（1）RDD

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

（2）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(后面专门讲解)

（3）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 `type DataFrame = Dataset[Row]`

+ 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

### 二、数据比较

##### 2.1 RDD中的数据

![07.RDD、DataFrame和DataSet对比与转换02.png](https://lilinchao.com/usr/uploads/2021/07/1955110514.png)

##### 2.2 DataFrame中的数据

![07.RDD、DataFrame和DataSet对比与转换03.png](https://lilinchao.com/usr/uploads/2021/07/2187062050.png)

##### 2.3 Dataset中的数据

![07.RDD、DataFrame和DataSet对比与转换04.png](https://lilinchao.com/usr/uploads/2021/07/503271334.png)

或者是这样

![07.RDD、DataFrame和DataSet对比与转换05.png](https://lilinchao.com/usr/uploads/2021/07/4250577161.png)

DataSet包含了DataFrame的功能，Spark2.0中两者统一，DataFrame表示为DataSet[Row]，即DataSet的子集。

### 三、三者的相互转换

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

![07.RDD、DataFrame和DataSet对比与转换01.jpg](https://lilinchao.com/usr/uploads/2021/07/925038684.jpg)

##### **DataFrame/Dataset转RDD：**

```scala
val rdd1=testDF.rdd
val rdd2=testDS.rdd
```

##### **RDD转DataFrame：**

```scala
import spark.implicits._
val testDF: DataFrame = 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：**

```scala
import spark.implicits._
case class Person(col1:String,col2:Int)extends Serializable //定义字段名和类型
val testDS: Dataset[Person]  = rdd.map {line=>
      Person(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

```scala
import spark.implicits._
val testDF = testDS.toDF
```

##### **DataFrame转Dataset：**

```scala
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

*附参考文章链接：*

https://blog.csdn.net/qq_22473611/article/details/103205420

https://blog.csdn.net/weixin_42702831/article/details/82492421

标签: Spark, Spark SQL

非特殊说明，本博所有文章均为博主原创。

如若转载，请注明出处：https://lilinchao.com/archives/1351.html

上一篇 06.【转载】Dataset (DataFrame) 的基础操作（二）

下一篇 08.UDF和UDAF函数介绍

07.RDD、DataFrame和DataSet对比与转换

评论已关闭

栏目分类

标签云

友情链接申请

07.RDD、DataFrame和DataSet对比与转换

评论已关闭

 栏目分类

标签云

友情链接申请

栏目分类

标签云

友情链接申请