Spark 2.0中Dataset介绍和使用
本帖最后由 xuanxufeng 于 2016-6-9 14:21 编辑问题导读
1.什么是dataset?
2.本文认为DataSet和RDD主要的区别是是什么？
3.Dataset Wordcount实例本文用了几步？
static/image/hrline/4.gif
Dataset介绍
Dataset是从Spark 1.6开始引入的一个新的抽象，当时还是处于alpha版本；然而在Spark 2.0，它已经变成了稳定版了。下面是DataSet的官方定义：
A Dataset is a strongly typed collection of domain-specific objects that can be transformed
in parallel using functional or relational operations. Each Dataset also has an untyped view
called a DataFrame, which is a Dataset of Row.
Dataset是特定域对象中的强类型集合，它可以使用函数或者相关操作并行地进行转换等操作。每个Dataset都有一个称为DataFrame的非类型化的视图，这个视图是行的数据集。上面的定义看起来和RDD的定义类似，RDD的定义如下：
RDD represents an immutable,partitioned collection of elements that can be operated on in parallel
RDD也是可以并行化的操作，DataSet和RDD主要的区别是：DataSet是特定域的对象集合；然而RDD是任何对象的集合。DataSet的API总是强类型的；而且可以利用这些模式进行优化，然而RDD却不行。
Dataset的定义中还提到了DataFrame，DataFrame是特殊的Dataset，它在编译时不会对模式进行检测。在未来版本的Spark，Dataset将会替代RDD成为我们开发编程使用的API（注意，RDD并不是会被取消，而是会作为底层的API提供给用户使用）。
上面简单地介绍了Dataset相关的定义，下面让我们来看看如何以编程的角度来使用它。
Dataset Wordcount实例
为了简单起见，我将介绍如何使用DataSet编写WordCount计算程序。
第一步、创建SparkSession
我们在这里将使用SparkSession作为程序的切入点，并使用它来创建出Dataset：
val sparkSession = SparkSession.builder.
master("local")
.appName("example")
.getOrCreate()
第二步、读取数据并将它转换成Dataset
我们可以使用read.text API来读取数据，正如RDD版提供的textFile，as可以为dataset提供相关的模式，如下：
import sparkSession.implicits._
val data = sparkSession.read.text("src/main/resources/data.txt").as
上面data对象的类型是DataSet，我们需要引入sparkSession.implicits._。
第三步、分割单词并且对单词进行分组
Dataset提供的API和RDD提供的非常类似，所以我们也可以在DataSet对象上使用map, groupByKey相关的API，如下：
val words = data.flatMap(value => value.split("\\s+"))
val groupedWords = words.groupByKey(_.toLowerCase)
第三步、分割单词并且对单词进行分组
Dataset提供的API和RDD提供的非常类似，所以我们也可以在DataSet对象上使用map, groupByKey相关的API，如下：
val words = data.flatMap(value => value.split("\\s+"))
val groupedWords = words.groupByKey(_.toLowerCase)
有得同学可能注意到，我们并没有创建出一个key/value键值对，因为DataSet是工作在行级别的抽象，每个值将被看作是带有多列的行数据，而且每个值都可以看作是group的key，正如关系型数据库的group。
第四步、计数
一旦我们有了分组好的数据，我们可以使用count方法对每个单词进行计数，正如在RDD上使用reduceByKey：
val counts = groupedWords.count()
第五步、打印结果
正如RDD一样，上面的操作都是懒执行的，所以我们需要调用action操作来触发上面的计算。在dataset API中，show函数就是action操作，它会输出前20个结果；如果你需要全部的结果，你可以使用collect操作：
counts.show()
完整的代码
package com.iteblog.spark
import org.apache.spark.sql.SparkSession
/**
* Created by http://www.iteblog.com
*/
object DataSetWordCount {
def main(args: Array) {
val sparkSession = SparkSession.builder.
master("local")
.appName("example")
.getOrCreate()
import sparkSession.implicits._
val data = sparkSession.read.text("src/main/resources/data.txt").as
val words = data.flatMap(value => value.split("\\s+"))
val groupedWords = words.groupByKey(_.toLowerCase)
val counts = groupedWords.count()
counts.show()
}
}
页:
[1]