Spark 之dataframe与rdd 转换

Posted by luoxuehuan on August 30, 2016

DataFrame可以从结构化文件、hive表、外部数据库以及现有的RDD加载构建得到。具体的结构化文件、hive表、外部数据库的相关加载可以参考其他章节。这里主要针对从现有的RDD来构建DataFrame进行实践与解析。

Spark SQL 支持两种方式将存在的RDD转化为DataFrame。

第一种方法是使用反射来推断包含特定对象类型的RDD的模式。在写Spark程序的同时,已经知道了模式,这种基于反射的方法可以使代码更简洁并且程序工作得更好。

第二种方法是通过一个编程接口来实现,这个接口允许构造一个模式,然后在存在的RDD上使用它。虽然这种方法代码较为冗长,但是它允许在运行期间之前不止列以及列的类型的情况下构造DataFrame。

DataFrame是一个带有列名的分布式数据集合。等同于一张关系型数据库中的表或者R/Python中的data frame,不过在底层做了很多优化;我们可以使用结构化数据文件、Hive tables,外部数据库或者RDDS来构造DataFrames。

一、利用反射推断Schema

Spark SQL能够将含Row对象的RDD转换成DataFrame,并推断数据类型。通过将一个键值对(key/value)列表作为kwargs传给Row类来构造Rows。key定义了表的列名,类型通过看第一列数据来推断。(所以这里RDD的第一列数据不能有缺失)未来版本中将会通过看更多数据来推断数据类型,像现在对JSON文件的处理一样。

二、编程指定Schema

通过编程指定Schema需要3步:

1.从原来的RDD创建一个元祖或列表的RDD。

2.用StructType 创建一个和步骤一中创建的RDD中元祖或列表的结构相匹配的Schema。

3.通过SQLContext提供的createDataFrame方法将schema 应用到RDD上。

##三、实战

1.使用Java实战RDD与DataFrame转换

简单介绍: 动态构造有时候有些麻烦:spark开发了一个API就是DataSet ,DataSet可以基于RDD,RDD里面有类型。他可以基于这种类型。 sparkSQL+DataFrame+DataSet:三者都相当重要,在2.0的时候编码会使用大量使用DataSet。 DataSet上可以直接查询。Spark的核心RDD+DataFrame+DataSet:最终会形成三足鼎立。RDD实际是服务SparkSQL的。DataSet是想要用所有的子框架都用DataSet进行计算。DataSet的底层是无私计划。这就让天然的性能优势体现出来。 官方建议使用hiveContext,在功能上比SQLContext的更好更高级的功能。

 public class RDD2DataFrameByProgrammatically {
	public static void main(String[] args) {
		SparkConf conf = new SparkConf().setMaster("local").setAppName("RDD2DataFrameByProgrammatically");
		JavaSparkContext sc = new JavaSparkContext(conf);
		SQLContext sqlContext = new SQLContext(sc);
		JavaRDD<String> lines = sc.textFile("E://test.txt");	
		/** * 第一步:在RDD的基础上创建类型为Row的RDD */
		JavaRDD<Row> personsRDD = lines.map(new Function<String, Row>() {
			@Override
			public Row call(String line) throws Exception {
				String[] splited = line.split(",");
				return RowFactory.create(Integer.valueOf(splited[0]), splited[1],Integer.valueOf(splited[2]));
			}
		});
		/*** 第二步:动态构造DataFrame的元数据,一般而言,有多少列以及每列的具体类型可能来自于JSON文件,也可能来自于DB */
		List<StructField> structFields = new ArrayList<StructField>();
		structFields.add(DataTypes.createStructField("id", DataTypes.IntegerType, true));
		structFields.add(DataTypes.createStructField("name", DataTypes.StringType, true));
		structFields.add(DataTypes.createStructField("age", DataTypes.IntegerType, true));
		//构建StructType,用于最后DataFrame元数据的描述
		StructType structType =DataTypes.createStructType(structFields);
		
		/*** 第三步:基于以后的MetaData以及RDD<Row>来构造DataFrame*/
		DataFrame personsDF = sqlContext.createDataFrame(personsRDD, structType);
		/** 第四步:注册成为临时表以供后续的SQL查询操作*/
		personsDF.registerTempTable("persons");
		/** 第五步,进行数据的多维度分析*/
		DataFrame result = sqlContext.sql("select * from persons where age >20");
		/**第六步:对结果进行处理,包括由DataFrame转换成为RDD<Row>,以及结构持久化*/
		List<Row> listRow = result.javaRDD().collect();
		for(Row row : listRow){
			System.out.println(row);
		}
	}
}

2.使用Scala实战RDD与DataFrame转换

import org.apache.spark.{SparkContext, SparkConf}
import org.apache.spark.sql.SQLContext


class RDD2DataFrameByProgrammaticallyScala {
  def main(args:Array[String]): Unit = {
    val conf = new SparkConf()
    conf.setAppName("RDD2DataFrameByProgrammaticallyScala") //设置应用程序的名称,在程序运行的监控界面可以看到名称
    conf.setMaster("local")
    val sc = new SparkContext(conf)
    val sqlContext = new SQLContext(sc)
    val people = sc.textFile("C://Users//DS01//Desktop//persons.txt")
    val schemaString = "name age"
    import org.apache.spark.sql.Row;
    import org.apache.spark.sql.types.{StructType,StructField,StringType};
    val schema = StructType(schemaString.split(" ").map(fieldName=>StructField(fieldName,StringType,true)))
    val rowRDD = people.map(_.split(",")).map(p=>Row(p(0),p(1).trim))
    val peopleDataFrame = sqlContext.createDataFrame(rowRDD,schema)
    peopleDataFrame.registerTempTable("people")
    val results = sqlContext.sql("select name from people")
    results.map(t=>"Name: "+t(0)).collect().foreach(println)
  }
}