05-快速理解SparkSQL的DataSet

1 定义

一个数据集是分布式的数据聚集。Spark 1.6增加新接口Dataset，提供

• RDD的优点：强类型、能够利用强盛lambda函数
  
• Spark SQL优化执行引擎的优点
  

可从JVM对象构造Dataset，然后函数式转换（map、flatMap、filter等）操纵。Dataset API在Scala和Java中可用。
Python不支持Dataset API，但由于Python动态性子，许多Dataset API优点已经能利用（可通过名称天然访问行的字段row.columnName）。R的情况类似。

Python支持DataFrame API是因为DataFrame API是基于Python#Pandas库构建，而Pandas库提供强盛易用的数据分析工具集。因此，Spark提供对Pandas DataFrame对象的支持，使Python利用DataFrame API非常方便。Python的Pandas也提供强类型保证，使Spark可在保持动态特性同时提供类型查抄和类型推断。因此，虽Python不支持Spark的Dataset API，但它支持Spark的DataFrame API，这为Python用户提供一种方便的数据处置惩罚方式。

2 案例

1. package com.javaedge.bigdata.cp04
3. import org.apache.spark.sql.{DataFrame, Dataset, SparkSession}
5. object DatasetApp {
7.   def main(args: Array[String]): Unit = {
8.     val projectRootPath = "/Users/javaedge/Downloads/soft/sparksql-train"
9.     val spark = SparkSession.builder()
10.       .master("local").appName("DatasetApp")
11.       .getOrCreate()
12.     import spark.implicits._
14.     // 创建一个包含一条记录的Seq，这条记录包含一个名为 "JavaEdge" 年龄为 18 的人员信息
15.     val ds: Dataset[Person] = Seq(Person("JavaEdge", "18"))
16.       // 将Seq转换为一个Dataset[Person]类型数据集，该数据集只包含一条记录
17.       .toDS()
18.     ds.show()
20.     val primitiveDS: Dataset[Int] = Seq(1, 2, 3).toDS()
21.     primitiveDS.map(x => x + 1).collect().foreach(println)
23.     val peopleDF: DataFrame = spark.read.json(projectRootPath + "/data/people.json")
24.     val peopleDS: Dataset[Person] = peopleDF.as[Person]
25.     peopleDS.show(false)
26.     peopleDF.select("name").show()
27.     peopleDS.map(x => x.name).show()
29.     spark.stop()
30.   }
32.   /**
33.    * 自定义的 case class，其中包含两个属性
34.    */
35.   private case class Person(name: String, age: String)
37. }
39. output：
40. +--------+---+
41. |    name|age|
42. +--------+---+
43. |JavaEdge| 18|
44. +--------+---+
46. 2
47. 3
48. 4
49. +----+-------+
50. |age |name   |
51. +----+-------+
52. |null|Michael|
53. |30  |Andy   |
54. |19  |Justin |
55. +----+-------+
57. +-------+
58. |   name|
59. +-------+
60. |Michael|
61. |   Andy|
62. | Justin|
63. +-------+
65. +-------+
66. |  value|
67. +-------+
68. |Michael|
69. |   Andy|
70. | Justin|
71. +-------+

复制代码

3 DataFrame V.S Dataset

1. val peopleDF: DataFrame = spark.read.json(projectRootPath + "/data/people.json")
2. val peopleDS: Dataset[Person] = peopleDF.as[Person]
3. peopleDS.show(false)

复制代码

1. // 弱语言类型，运行时才报错
2. peopleDF.select("nameEdge").show()

复制代码

编译期报错：

关注我，紧跟本系列专栏文章，咱们下篇再续！

作者简介：魔都技能专家兼架构，多家大厂后端一线研发履历，各大技能社区头部专家博主。具有丰富的引领团队履历，深厚业务架构和解决方案的积累。
负责：

• 中央/分销预订体系性能优化
  
• 运动&优惠券等营销中台建设
  
• 交易平台及数据中台等架构和开发计划
  
• 车联网核心平台-物联网连接平台、大数据平台架构计划及优化
  

现在主攻降低软件复杂性计划、构建高可用体系方向。

参考：

• 编程严选网
  

本文由博客一文多发平台 OpenWrite 发布！

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。