Dataset 和 DataFrame 的区别

• DataFrame 就是 Dataset

  根据前面的内容, 可以得到如下信息

  • Dataset 中可以使用列来访问数据, DataFrame 也可以
  • Dataset 的执行是优化的, DataFrame 也是
  • Dataset 具有命令式 API, 同时也可以使用 SQL 来访问, DataFrame 也可以使用这两种不同的方式访问

  所以这件事就比较蹊跷了, 两个这么相近的东西为什么会同时出现在 SparkSQL 中呢?

  

  确实, 这两个组件是同一个东西, DataFrame 是 Dataset 的一种特殊情况, 也就是说 DataFrame 是 Dataset[Row] 的别名

• DataFrame 和 Dataset 所表达的语义不同

  • 第一点: DataFrame 表达的含义是一个支持函数式操作的 表, 而 Dataset 表达是是一个类似 RDD 的东西, Dataset 可以处理任何对象
  • 第二点: DataFrame 中所存放的是 Row 对象, 而 Dataset 中可以存放任何类型的对象

  @Test
    def dataframe3():Unit = {
      val spark = SparkSession.builder()
        .master("local[6]")
        .appName("dataframe3")
        .getOrCreate()
  
      import spark.implicits._
  
      val personList = Seq(Person("zhangsan", 15), Person("lisi", 20))
  
      // DataFrame 是弱类型的
      val df:DataFrame = personList.toDF()
      // Dataset 是强类型
      val ds:Dataset[Person] = personList.toDS()
    }
  
  case class Person(name: String, age: Int)
  

  1. DataFrame 就是 Dataset[Row]
  2. Dataset 的范型可以是任意类型

  • 第三点: DataFrame 的操作方式和 Dataset 是一样的, 但是对于强类型操作而言, 它们处理的类型不同

    DataFrame在进行强类型操作时候，例如map算子，其所处理的据类型永远是Row

    df.map((row: Row) => Row(row.get(0), row.getAs[Int](1) * 2))(RowEncoder.apply(df.schema))show()
    

    但是对于Dataset来讲，其中是什么类型，它就处理什么类型

    ds.map((person: Person) => Person(person.name, person.age * 2)).show()
    

    全代码

    @Test
      def dataframe4(): Unit = {
        val spark = SparkSession.builder()
          .master("local[6]")
          .appName("dataframe4")
          .getOrCreate()
    
        import spark.implicits._
    
        val personList = Seq(Person("zhangsan", 15), Person("lisi", 20))
    
        // DataFrame 是弱类型的
        val df: DataFrame = personList.toDF()
        // DataFrame 永远操作Row对象
        df.map((row: Row) => Row(row.get(0), row.getAs[Int](1) * 2))(RowEncoder.apply(df.schema))
          .show()
        // Dataset 是强类型
        val ds: Dataset[Person] = personList.toDS()
        // Dataset 里面存放的是什么对象就操作什么对象，这里是 Person
        ds.map((person: Person) => Person(person.name, person.age * 2))
          .show()
      }
    

  • 第四点: DataFrame 只能做到运行时类型检查, Dataset 能做到编译和运行时都有类型检查

    1. DataFrame 中存放的数据以 Row 表示, 一个 Row 代表一行数据, 这和关系型数据库类似
    2. DataFrame 在进行 map 等操作的时候, DataFrame 不能直接使用 Person 这样的 Scala 对象, 所以无法做到编译时检查
    3. Dataset 表示的具体的某一类对象, 例如 Person, 所以再进行 map 等操作的时候, 传入的是具体的某个 Scala 对象, 如果调用错了方法, 编译时就会被检查出来

    // DataFrame所代表的弱类型操作是编译时不安全，运行时类型安全
    df.groupBy("name, school")
    
    // Dataset所代表的操作是类型安全的，编译时安全的
    ds.filter(person => person.school) //这行代码明显报错, 无法通过编译
    

• Row 对象的操作

  Row 是什么?

  Row 对象表示的是一个 行

  Row 的操作类似于 Scala 中的 Map 数据类型

  @Test
  def row(): Unit = {
    // 1. Row 如何创建，它是什么
    // row 对象必须配合 Schema 对象才会有列名
    val p = Person("zhangsan", 15)
    val row =Row("zhangsan", 15)
    // 2. 如何从 Row 中获取数据
    row.getString(0)
    row.getInt(1)
    // 3. Row 也是样例类
    row match {
      caseRow(name, age) =>println(name, age)
    }
  }
  
  case class Person(name: String, age: Int)
  

  

• DataFrame 和 Dataset 之间可以非常简单的相互转换

  case class Person(name:String,age:Int)
    val spark = SparkSession.builder()
      .appName("df_ds")
      .master("local[6]")
      .getOrCreate()
  
    import spark.implicits._
  
    val df: DataFrame = Seq(Person("zhangsan", 15), Person("lisi", 15)).toDF()
    val ds_fdf: Dataset[Person] = df.as[Person]
  
    val ds: Dataset[Person] = Seq(Person("zhangsan", 15), Person("lisi", 15)).toDS()
    val df_fds: DataFrame = ds.toDF()
  

总结

1. DataFrame 就是 Dataset, 他们的方式是一样的, 也都支持 API 和 SQL 两种操作方式
2. DataFrame 只能通过表达式的形式, 或者列的形式来访问数据, 只有 Dataset 支持针对于整个对象的操作
3. DataFrame 中的数据表示为 Row, 是一个行的概念