Spark RDD、DataFrame和DataSet的区别

来源：互联网发布：yy软件怎么上马甲编辑：程序博客网时间：2024/05/16 09:31

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数据进行序列化和反序列化.
GC的性能开销
频繁的创建和销毁对象, 势必会增加GC

import org.apache.spark.sql.SQLContextimport org.apache.spark.{SparkConf, SparkContext}object Run {  def main(args: Array[String]) {    val conf = new SparkConf().setAppName("test").setMaster("local")    val sc = new SparkContext(conf)    sc.setLogLevel("WARN")    val sqlContext = new SQLContext(sc)    /**      * id      age      * 1       30      * 2       29      * 3       21      */    case class Person(id: Int, age: Int)    val idAgeRDDPerson = 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  }}1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

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.

import org.apache.spark.sql.types.{DataTypes, StructField, StructType}import org.apache.spark.sql.{Row, SQLContext}import org.apache.spark.{SparkConf, SparkContext}object Run {  def main(args: Array[String]) {    val conf = new SparkConf().setAppName("test").setMaster("local")    val sc = new SparkContext(conf)    sc.setLogLevel("WARN")    val sqlContext = 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)))    val idAgeDF = 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") > "")   }}1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

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)1
2
3
4
5
6

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DataFramedef createDataFrame(rowRDD: RDD[Row], schema: StructType): DataFrame = {sparkSession.createDataFrame(rowRDD, schema)}1
2
3
4

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]}1
2
3
4
5

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

import org.apache.spark.sql.types.{DataTypes, StructField, StructType}import org.apache.spark.sql.{Row, SQLContext}import org.apache.spark.{SparkConf, SparkContext}object Test {  def main(args: Array[String]) {    val conf = new SparkConf().setAppName("test").setMaster("local") // 调试的时候一定不要用local[*]    val sc = 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]    val idAgeDS = 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()  }}1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

参考

Introducing Apache Spark Datasets
APACHE SPARK: RDD, DATAFRAME OR DATASET?
RDD、DataFrame和DataSet的区别
Spark 2.0.0-preview 官方文档

0 0