Spark DataSet介绍

        声明：代码主要以Scala为主，希望广大读者注意。本博客以代码为主，代码中会有详细的注释。相关文章将会发布在我的个人博客专栏《Spark 2.0机器学习》，欢迎大家关注。

---

        Spark的发展史可以简单概括为三个阶段，分别为：RDD、DataFrame和DataSet。在Spark 2.0之前，使用Spark必须先创建SparkConf和SparkContext，不过在Spark 2.0中只要创建一个SparkSession就可以了，SparkConf、SparkContext和SQLContext都已经被封装在SparkSession当中，它是Spark的一个全新切入点，大大降低了Spark的学习难度。

一、创建SparkSession

创建SparkSession的方式非常简单，如下：

//创建SparkSession
val spark = SparkSession.builder()
  .master("local[*]")
  .appName("dataset")
  .enableHiveSupport()  //支持hive，如果代码中用不到hive的话，可以省略这一条
  .getOrCreate()

二、DataSet/DataFrame的创建

1、序列创建DataSet

//1、产生序列dataset
val numDS = spark.range(5, 100, 5)
numDS.orderBy(desc("id")).show(5)  //降序排序，显示5个
numDS.describe().show()  //打印numDS的摘要

结果如下所示：

+---+
| id|
+---+
| 95|
| 90|
| 85|
| 80|
| 75|
+---+
only showing top 5 rows

+-------+------------------+
|summary|                id|
+-------+------------------+
|  count|                19|
|   mean|              50.0|
| stddev|28.136571693556885|
|    min|                 5|
|    max|                95|
+-------+------------------+

2、集合创建DataSet

首先创建几个可能用到的样例类：

//样例类
case class Person(name: String, age: Int, height: Int)
case class People(age: Int, names: String)
case class Score(name: String, grade: Int)

然后定义隐式转换：

import spark.implicits._

最后，定义集合，创建dataset

//2、集合转成dataset
val seq1 = Seq(Person("xzw", 24, 183), Person("yxy", 24, 178), Person("lzq", 25, 168))
val ds1 = spark.createDataset(seq1)
ds1.show()

结果如下所示：

+----+---+------+
|name|age|height|
+----+---+------+
| xzw| 24|   183|
| yxy| 24|   178|
| lzq| 25|   168|
+----+---+------+

3、RDD转成DataFrame。

//3、RDD转成DataFrame
val array1 = Array((33, 24, 183), (33, 24, 178), (33, 25, 168))
val rdd1 = spark.sparkContext.parallelize(array1, 3).map(f => Row(f._1, f._2, f._3))
val schema = StructType(
  StructField("a", IntegerType, false) ::
    StructField("b", IntegerType, true) :: Nil
)
val rddToDataFrame = spark.createDataFrame(rdd1, schema)
rddToDataFrame.show(false)

结果如下所示：

+---+---+
|a  |b  |
+---+---+
|33 |24 |
|33 |24 |
|33 |25 |
+---+---+

4、读取文件

//4、读取文件，这里以csv文件为例
val ds2 = spark.read.csv("C://Users//Machenike//Desktop//xzw//test.csv")
ds2.show()

结果如下所示：

+---+---+----+
|_c0|_c1| _c2|
+---+---+----+
|xzw| 24| 183|
|yxy| 24| 178|
|lzq| 25| 168|
+---+---+----+

5、读取文件，并配置详细参数

//5、读取文件，并配置详细参数
val ds3 = spark.read.options(Map(("delimiter", ","), ("header", "false")))
  .csv("C://Users//Machenike//Desktop//xzw//test.csv")
ds3.show()

结果如下图所示：

+---+---+----+
|_c0|_c1| _c2|
+---+---+----+
|xzw| 24| 183|
|yxy| 24| 178|
|lzq| 25| 168|
+---+---+----+

三、DataSet的基础函数

为了节省篇幅，以下内容不再给出运行结果~

//1、DataSet存储类型
val seq1 = Seq(Person("xzw", 24, 183), Person("yxy", 24, 178), Person("lzq", 25, 168))
val ds1 = spark.createDataset(seq1)
ds1.show()
ds1.checkpoint()
ds1.cache()
ds1.persist()
ds1.count()
ds1.unpersist(true)

//2、DataSet结构属性
ds1.columns
ds1.dtypes
ds1.explain()

//3、DataSet rdd数据互换
val rdd1 = ds1.rdd
val ds2 = rdd1.toDS()
ds2.show()
val df2 = rdd1.toDF()
df2.show()

//4、保存文件
df2.select("name", "age", "height").write.format("csv").save("./save")

四、DataSet的Actions操作

五、DataSet的转化操作

package sparkml

import org.apache.log4j.{Level, Logger}
import org.apache.spark.sql.SparkSession
import org.apache.spark.sql.functions._

//样例类
case class Person(name: String, age: Int, height: Int)
case class People(age: Int, names: String)
case class Score(name: String, grade: Int)

object WordCount2 {
  def main(args: Array[String]): Unit = {
    //设置日志输出格式
    Logger.getLogger("org").setLevel(Level.WARN)

    //创建SparkSession
    val spark = SparkSession.builder()
      .master("local[*]")
      .appName("dataset")
      .getOrCreate()

    import spark.implicits._

    //seq创建dataset
    val seq1 = Seq(Person("leo", 29, 170), Person("jack", 21, 170), Person("xzw", 21, 183))
    val ds1 = spark.createDataset(seq1)

    //1、map操作，flatmap操作
    ds1.map{x => (x.age + 1, x.name)}.show()
    ds1.flatMap{x =>
      val a = x.age
      val s = x.name.split("").map{x => (a, x)}
      s
    }.show()

    //2、filter操作，where操作
    ds1.filter("age >= 25 and height >= 170").show()
    ds1.filter($"age" >= 25 && $"height" >= 170).show()
    ds1.filter{x => x.age >= 25 && x.height >= 170}.show()
    ds1.where("age >= 25 and height >= 170").show()
    ds1.where($"age" >= 25 && $"height" >= 170).show()

    //3、去重操作
    ds1.distinct().show()
    ds1.dropDuplicates("age").show()
    ds1.dropDuplicates("age", "height").show()
    ds1.dropDuplicates(Seq("age", "height")).show()
    ds1.dropDuplicates(Array("age", "height")).show()

    //4、加法减法操作
    val seq2 = Seq(Person("leo", 18, 183), Person("jack", 18, 175), Person("xzw", 22, 183), Person("lzq", 23, 175))
    val ds2 = spark.createDataset(seq2)
    val seq3 = Seq(Person("leo", 19, 183), Person("jack", 18, 175), Person("xzw", 22, 170), Person("lzq", 23, 175))
    val ds3 = spark.createDataset(seq3)
    ds3.union(ds2).show()  //并集
    ds3.except(ds2).show()  // 差集
    ds3.intersect(ds2).show()  //交集

    //5、select操作
    ds2.select("name", "age").show()
    ds2.select(expr("height + 1").as[Int].as("height")).show()

    //6、排序操作
    ds2.sort("age").show()  //默认升序排序
    ds2.sort($"age".desc, $"height".desc).show()
    ds2.orderBy("age").show()  //默认升序排序
    ds2.orderBy($"age".desc, $"height".desc).show()

    //7、分割抽样操作
    val ds4 = ds3.union(ds2)
    val rands = ds4.randomSplit(Array(0.3, 0.7))
    println(rands(0).count())
    println(rands(1).count())
    rands(0).show()
    rands(1).show()
    val ds5 = ds4.sample(true, 0.5)
    println(ds5.count())
    ds5.show()

    //8、列操作
    val ds6 = ds4.drop("height")
    println(ds6.columns)
    ds6.show()
    val ds7 = ds4.withColumn("add", $"age" + 2)
    println(ds7.columns)
    ds7.show()
    val ds8 = ds7.withColumnRenamed("add", "age_new")
    println(ds8.columns)
    ds8.show()
    ds4.withColumn("add_col", lit(1)).show()

    //9、join操作
    val seq4 = Seq(Score("leo", 85), Score("jack", 63), Score("wjl", 70), Score("zyn", 90))
    val ds9 = spark.createDataset(seq4)
    val ds10 = ds2.join(ds9, Seq("name"), "inner")
    ds10.show()
    val ds11 = ds2.join(ds9, Seq("name"), "left")
    ds11.show()

    //10、分组聚合操作
    val ds12 = ds4.groupBy("height").agg(avg("age").as("avg_age"))
    ds12.show()
  }

}

六、DataSet的内置函数

七、例子：WordCount

package sparkml

import org.apache.spark.sql.SparkSession

object WordCount {
  def main(args: Array[String]): Unit = {
    //创建SparkSession
    val spark = SparkSession.builder()
      .appName("Dataset")
      .master("local[*]")
      .getOrCreate()

    import spark.implicits._
    val data = spark.read.textFile("C://xzw//wordcount")
      .flatMap(_.split(" "))
      .map(_.toLowerCase())
      .filter($"value"=!="," && $"value"=!="." && $"value"=!="not")
    data.groupBy($"value").count().sort($"count".desc).show(50)
  }

}

结果如下图所示：