Spark学习之路【SparkSQL入门解析】

【3.2】
在SparkSQL中Spark为我们提供了两个新的抽象，分别是DataFrame和DataSet;他们和RDD有什么区别呢？首先从版本的产生上来看：RDD (Spark1.0) —> Dataframe(Spark1.3) —> Dataset(Spark1.6)
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
注意：在后期的Spark版本中，DataSet会逐步取代RDD和DataFrame成为唯一的API接口

RDD概述

• 【1】RDD是一个懒执行的不可变的可以支持Lambda表达式的并行数据集合
• 【2】RDD的最大好处就是简单，API的人性化程度很高
• 【3】RDD的劣势是性能限制，它是一个JVM驻内存对象，这也就决定了存在GC的限制和数据增加时Java序列化成本的升高。

DataFrame

DataFrame概述
【1】与RDD类似，DataFrame也是一个分布式数据容器。然而DataFrame更像传统数据库的二维表格，除了数据以外，还记录数据的结构信息，即Schema
【2】与Hive类似，DataFrame也支持嵌套数据类型（struct、array和map）
【3】从API易用性的角度上看，DataFrame API提供的是一套高层的关系操作，比函数式的RDD API要更加友好，门槛更低。由于与R和Pandas的DataFrame类似，Spark DataFrame很好地继承了传统单机数据分析的开发体验
【1】上图直观地体现了DataFrame和RDD的区别。左侧的RDD[Person]虽然以Person为类型参数，但Spark框架本身不了解Person类的内部结构。而右侧的DataFrame却提供了详细的结构信息，使得Spark SQL可以清楚地知道该数据集中包含哪些列，每列的名称和类型各是什么。DataFrame多了数据的结构信息，即Schema。RDD是分布式的Java对象的集合。DataFrame是分布式的Row对象的集合。DataFrame除了提供了比RDD更丰富的算子以外，更重要的特点是提升执行效率、减少数据读取以及执行计划的优化，比如filter下推、裁剪等…
【2】DataFrame是为数据提供了Schema的视图。可以把它当做数据库中的一张表来对待
【3】DataFrame也是懒执行的，性能上比RDD要高，主要有两方面原因：
①.定制化内存管理
②.数据以二进制的方式存在于非堆内存，节省了大量空间之外，还摆脱了GC的限制

 

DataSet

• 【1】DataSet是Dataframe API的一个扩展，是Spark最新的数据抽象
• 【2】DataSet用户友好的API风格，既具有类型安全检查也具有DataFrame的查询优化特性
• 【3】DataSet支持编解码器，当需要访问非堆上的数据时可以避免反序列化整个对象，提高了效率

【4】样例类被用来在DataSet中定义数据的结构信息，样例类中每个属性的名称直接映射到DataSet中的字段名称

【5】DataFrame和DataSet之间可以互相转换。DataFrame + 类型 =DataSet [类型] ，所以可以通过 as 方法将DataFrame转换为DataSet，也可以通过 toDF 方法将DataSet转换为DataFrame

【6】DataSet是强类型的,比如可以有DataSet[Car]，DataSet[Person]…

 

DataFrame只是知道字段，但是不知道字段的类型，所以在执行这些操作的时候是没办法在编译的时候检查是否类型失败的，比如你可以对一个String进行减法操作，在执行的时候才报错，而DataSet不仅仅知道字段，而且知道字段类型，所以有更严格的错误检查。就跟JSON对象和类对象之间的类比，如下图
注意：RDD让我们能够决定怎么做，而DataFrame和DataSet让我们决定做什么，控制的粒度不一样

【3.5】RDD、DataFrame和DataSet三者的共性
【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
    val sparkconf = new SparkConf().setMaster("local[*]").setAppName("sparkSqlDemo")
    val spark = SparkSession.builder().config(sparkconf).getOrCreate()
    val rdd = spark.sparkContext.parallelize(Seq(("a", 1), ("b", 1), ("a", 1)))
    // 下面这个map并不会运行
    rdd.map{line=>
      println("运行到这里啦...")
      line._1
    }
 

 

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

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导入下方隐式函数的支持

DataFrame和DataSet均可使用模式匹配获取各个字段的值和类型

 

    df.map {
        case Row(id: Int, name: String, age: Int) => {
           println(s"${id},${name},${age}")
           name
         }
         case _ => ""
    }
 

    ds.map {
         case User(id: Int, name: String, age: Int) => {
            println(s"${id},${name},${age}")
            name
          }
          case _ => ""
    }
 

RDD、DataFrame和DataSet三者的区别

1.RDD一般和 Spark Mlib 同时使用 2.RDD不支持 SparkSql 操作

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，如下：👇
    df.foreach{
          line => {
            val id = line.getAs[Int]("id")
            val name = line.getAs[String]("name")
            val age = line.getAs[Int]("age")
            println(s"${id} - ${name} - ${age}")
            val id2 = line.getAs[Int](0)
            val name2 = line.getAs[String](1)
            val age2 = line.getAs[Int](2)
            println(s"${id2} -- ${name2} -- ${age2}")
          }
     }

 

 

【1】 RDD + 结构 = DataFrame

方法：rdd.toDF(字段…)

【2】DataFrame + 类型 = DataSet

方法：df.as[类型]

【3】RDD + 结构 + 类型 = DataSet (RDD + 类（样例类） = DataSet)

方法：rdd.toDS

 

【四】SparkSQL解析
【1】新的起始点SparkSession
在老的版本中，SparkSQL提供两种SQL查询起始点，一个叫SQLContext，用于Spark自己提供的SQL查询，一个叫HiveContext，用于连接Hive的查询，SparkSession是Spark最新的SQL查询起始点，实质上是SQLContext和HiveContext的组合，所以在SQLContext和HiveContext上可用的API在SparkSession上同样是可以使用的。SparkSession内部封装了SparkContext，所以计算实际上是由SparkContext完成的
SparkSession.builder 用于创建一个SparkSession
import spark.implicits._的引入是用于将DataFrames隐式转换成RDD，使DataFream、DataSet能够使用RDD中的方法