谈谈RDD、DataFrame、Dataset的区别和各自的优势

深藏阁楼爱情的钟 2022-05-11 11:58 207阅读 0赞

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

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 6 7 8 </td> 
 <td> <code>val</code>&nbsp;<code>sparkconf&nbsp;</code><code>=</code>&nbsp;<code>new</code>&nbsp;<code>SparkConf().setMaster(</code><code>"local"</code><code>).setAppName(</code><code>"test"</code><code>).set(</code><code>"spark.port.maxRetries"</code><code>,</code><code>"1000"</code><code>)</code> <code>val</code>&nbsp;<code>spark&nbsp;</code><code>=</code>&nbsp;<code>SparkSession.builder().config(sparkconf).getOrCreate()</code> <code>val</code>&nbsp;<code>rdd</code><code>=</code><code>spark.sparkContext.parallelize(Seq((</code><code>"a"</code><code>,&nbsp;</code><code>1</code><code>), (</code><code>"b"</code><code>,&nbsp;</code><code>1</code><code>), (</code><code>"a"</code><code>,&nbsp;</code><code>1</code><code>)))</code> &nbsp; <code>rdd.map{line</code><code>=</code><code>&gt;</code> <code>&nbsp;&nbsp;</code><code>println(</code><code>"运行"</code><code>)</code> <code>&nbsp;&nbsp;</code><code>line.</code><code>_</code><code>1</code> <code>}</code> </td> 
 </tr> 
 </tbody> 
</table>

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

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 6 7 8 </td> 
 <td> <code>var</code>&nbsp;<code>predata</code><code>=</code><code>data.repartition(</code><code>24</code><code>).mapPartitions{ </code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>PartLine&nbsp;</code><code>=</code><code>&gt; { </code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>PartLine.map{ </code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>line&nbsp;</code><code>=</code><code>&gt;</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>println(“转换操作”)</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>}</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>}</code> <code>}&nbsp;</code> </td> 
 </tr> 
 </tbody> 
</table>

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

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 </td> 
 <td> <code>val</code>&nbsp;<code>rdd</code><code>=</code><code>spark.sparkContext.parallelize(Seq((</code><code>"a"</code><code>,&nbsp;</code><code>1</code><code>), (</code><code>"b"</code><code>,&nbsp;</code><code>1</code><code>), (</code><code>"a"</code><code>,&nbsp;</code><code>1</code><code>)))</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>var</code>&nbsp;<code>flag</code><code>=</code><code>0</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>val</code>&nbsp;<code>test</code><code>=</code><code>rdd.map{line</code><code>=</code><code>&gt;</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>println(</code><code>"运行"</code><code>)</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>flag+</code><code>=</code><code>1</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>println(flag)</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>line.</code><code>_</code><code>1</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>}</code> <code>println(test.count)</code> <code>println(flag)</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>/**</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>运行</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>1</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>运行</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>2</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>运行</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>3</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>3</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>0</code> <code>&nbsp;&nbsp;&nbsp;</code><code>* */</code> </td> 
 </tr> 
 </tbody> 
</table>

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

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 </td> 
 <td> <code>import</code>&nbsp;<code>spark.implicits.</code><code>_</code> <code>//这里的spark是SparkSession的变量名</code> </td> 
 </tr> 
 </tbody> 
</table>

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

DataFrame:

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 6 7 </td> 
 <td> <code>testDF.map{ </code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>case</code>&nbsp;<code>Row(col</code><code>1</code><code>:</code><code>String,col</code><code>2</code><code>:</code><code>Int)</code><code>=</code><code>&gt;</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>println(col</code><code>1</code><code>);println(col</code><code>2</code><code>)</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>col</code><code>1</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>case</code>&nbsp;<code>_=</code><code>&gt;</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>""</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>}</code> </td> 
 </tr> 
 </tbody> 
</table>

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:

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 6 7 8 </td> 
 <td> <code>case</code>&nbsp;<code>class</code>&nbsp;<code>Coltest(col</code><code>1</code><code>:</code><code>String,col</code><code>2</code><code>:</code><code>Int)</code><code>extends</code>&nbsp;<code>Serializable&nbsp;</code><code>//定义字段名和类型</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>testDS.map{ </code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>case</code>&nbsp;<code>Coltest(col</code><code>1</code><code>:</code><code>String,col</code><code>2</code><code>:</code><code>Int)</code><code>=</code><code>&gt;</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>println(col</code><code>1</code><code>);println(col</code><code>2</code><code>)</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>col</code><code>1</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>case</code>&nbsp;<code>_=</code><code>&gt;</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>""</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>}</code> </td> 
 </tr> 
 </tbody> 
</table>

# 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

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 </td> 
 <td> <code>testDF.foreach{ </code> <code>&nbsp;&nbsp;</code><code>line&nbsp;</code><code>=</code><code>&gt;</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>val</code>&nbsp;<code>col</code><code>1</code><code>=</code><code>line.getAs[String](</code><code>"col1"</code><code>)</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>val</code>&nbsp;<code>col</code><code>2</code><code>=</code><code>line.getAs[String](</code><code>"col2"</code><code>)</code> <code>}</code> </td> 
 </tr> 
 </tbody> 
</table>

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

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 </td> 
 <td> <code>dataDF.createOrReplaceTempView(</code><code>"tmp"</code><code>)</code> <code>spark.sql(</code><code>"select&nbsp; ROW,DATE from tmp where DATE is not null order by DATE"</code><code>).show(</code><code>100</code><code>,</code><code>false</code><code>)</code> </td> 
 </tr> 
 </tbody> 
</table>

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

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 6 </td> 
 <td> <code>//保存</code> <code>val</code>&nbsp;<code>saveoptions&nbsp;</code><code>=</code>&nbsp;<code>Map(</code><code>"header"</code>&nbsp;<code>-&gt;&nbsp;</code><code>"true"</code><code>,&nbsp;</code><code>"delimiter"</code>&nbsp;<code>-&gt;&nbsp;</code><code>"\t"</code><code>,&nbsp;</code><code>"path"</code>&nbsp;<code>-&gt;&nbsp;</code><code>"hdfs://172.xx.xx.xx:9000/test"</code><code>)</code> <code>datawDF.write.format(</code><code>"com.databricks.spark.csv"</code><code>).mode(SaveMode.Overwrite).options(saveoptions).save()</code> <code>//读取</code> <code>val</code>&nbsp;<code>options&nbsp;</code><code>=</code>&nbsp;<code>Map(</code><code>"header"</code>&nbsp;<code>-&gt;&nbsp;</code><code>"true"</code><code>,&nbsp;</code><code>"delimiter"</code>&nbsp;<code>-&gt;&nbsp;</code><code>"\t"</code><code>,&nbsp;</code><code>"path"</code>&nbsp;<code>-&gt;&nbsp;</code><code>"hdfs://172.xx.xx.xx:9000/test"</code><code>)</code> <code>val</code>&nbsp;<code>datarDF</code><code>=</code>&nbsp;<code>spark.read.options(options).format(</code><code>"com.databricks.spark.csv"</code><code>).load()</code> </td> 
 </tr> 
 </tbody> 
</table>

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

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 </td> 
 <td> <code>case</code>&nbsp;<code>class</code>&nbsp;<code>Coltest(col</code><code>1</code><code>:</code><code>String,col</code><code>2</code><code>:</code><code>Int)</code><code>extends</code>&nbsp;<code>Serializable&nbsp;</code><code>//定义字段名和类型</code> <code>/**</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>rdd</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>("a", 1)</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>("b", 1)</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>("a", 1)</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>* */</code> <code>val</code>&nbsp;<code>test</code><code>:</code>&nbsp;<code>Dataset[Coltest]</code><code>=</code><code>rdd.map{line</code><code>=</code><code>&gt;</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>Coltest(line.</code><code>_</code><code>1</code><code>,line.</code><code>_</code><code>2</code><code>)</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>}.toDS</code> <code>test.map{ </code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>line</code><code>=</code><code>&gt;</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>println(line.col</code><code>1</code><code>)</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>println(line.col</code><code>2</code><code>)</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>}</code> </td> 
 </tr> 
 </tbody> 
</table>

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

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 </td> 
 <td> <code>val</code>&nbsp;<code>rdd</code><code>1</code><code>=</code><code>testDF.rdd</code> <code>val</code>&nbsp;<code>rdd</code><code>2</code><code>=</code><code>testDS.rdd</code> </td> 
 </tr> 
 </tbody> 
</table>

## RDD转DataFrame： ##

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 </td> 
 <td> <code>import</code>&nbsp;<code>spark.implicits.</code><code>_</code> <code>val</code>&nbsp;<code>testDF&nbsp;</code><code>=</code>&nbsp;<code>rdd.map {line</code><code>=</code><code>&gt;</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>(line.</code><code>_</code><code>1</code><code>,line.</code><code>_</code><code>2</code><code>)</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>}.toDF(</code><code>"col1"</code><code>,</code><code>"col2"</code><code>)</code> </td> 
 </tr> 
 </tbody> 
</table>

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： ##

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 </td> 
 <td> <code>import</code>&nbsp;<code>spark.implicits.</code><code>_</code> <code>case</code>&nbsp;<code>class</code>&nbsp;<code>Coltest(col</code><code>1</code><code>:</code><code>String,col</code><code>2</code><code>:</code><code>Int)</code><code>extends</code>&nbsp;<code>Serializable&nbsp;</code><code>//定义字段名和类型</code> <code>val</code>&nbsp;<code>testDS&nbsp;</code><code>=</code>&nbsp;<code>rdd.map {line</code><code>=</code><code>&gt;</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>Coltest(line.</code><code>_</code><code>1</code><code>,line.</code><code>_</code><code>2</code><code>)</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>}.toDS</code> </td> 
 </tr> 
 </tbody> 
</table>

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

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 </td> 
 <td> <code>import</code>&nbsp;<code>spark.implicits.</code><code>_</code> <code>val</code>&nbsp;<code>testDF&nbsp;</code><code>=</code>&nbsp;<code>testDS.toDF</code> </td> 
 </tr> 
 </tbody> 
</table>

## DataFrame转Dataset： ##

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 </td> 
 <td> <code>import</code>&nbsp;<code>spark.implicits.</code><code>_</code> <code>case</code>&nbsp;<code>class</code>&nbsp;<code>Coltest(col</code><code>1</code><code>:</code><code>String,col</code><code>2</code><code>:</code><code>Int)</code><code>extends</code>&nbsp;<code>Serializable&nbsp;</code><code>//定义字段名和类型</code> <code>val</code>&nbsp;<code>testDS&nbsp;</code><code>=</code>&nbsp;<code>testDF.as[Coltest]</code> </td> 
 </tr> 
 </tbody> 
</table>

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