Spark学习实例(Python)：RDD、DataFrame、DataSet

在学习转换之前先了解以下它们的基本概念

• RDD：弹性分布式数据集，是一个只读分区集合
• DataFrame：以命名列方式组织的分布式数据集，概念上和关系型数据库的一张表一样
• DataSet：分布式数据集合， Python暂时不支持

了解了基本的概念之后，接下来我们通过代码编写三种数据集的形成

RDD的形成

            
              from pyspark.sql import SparkSession

if __name__ == '__main__':
    spark = SparkSession \
        .builder \
        .appName("rddData") \
        .master("local[*]") \
        .getOrCreate()
    # 方式一：
    data = [1, 2, 3, 4, 5]
    rdd1 = spark.sparkContext.parallelize(data)
    print(rdd1.collect())
    # [1, 2, 3, 4, 5]
    # 方式二：
    rdd2 = spark.sparkContext.textFile("/home/llh/data/people.txt")
    print(rdd2.collect())
    # ['Jack 27', 'Rose 24', 'Andy 32']
    spark.stop()
            
          

DataFrame的形成

            
              from pyspark.sql import SparkSession

if __name__ == '__main__':
    spark = SparkSession \
        .builder \
        .appName("rddDataFrame") \
        .master("local[*]") \
        .getOrCreate()
    df = spark.read.text("/home/llh/data/people.txt")
    df.show()
    # +---+----+
    # |age|name|
    # +---+----+
    # | 27|Jack|
    # | 24|Rose|
    # | 32|Andy|
    # +---+----+
    spark.stop()
            
          

RDD转成DataFrame

            
              from pyspark.sql import SparkSession
from pyspark.sql import Row

if __name__ == '__main__':
    spark = SparkSession \
        .builder \
        .appName("rddRDD") \
        .master("local[*]") \
        .getOrCreate()
    data = [1, 2, 3]
    rdd1 = spark.sparkContext.parallelize(data)
    print(rdd1.collect())
    # [1, 2, 3]
    # rdd ->  dataframe
    rdd2 = rdd1.map(lambda x: Row(x))
    df = spark.createDataFrame(rdd2, schema=['num'])
    df.show()
    # +---+
    # |num|
    # +---+
    # | 1 |
    # | 2 |
    # | 3 |
    # +---+
    spark.stop()
            
          

DataFrame转成RDD

            
              from pyspark.sql import SparkSession

if __name__ == '__main__':
    spark = SparkSession \
        .builder \
        .appName("rddDataFrame") \
        .master("local[*]") \
        .getOrCreate()
    df = spark.read.text("/home/llh/data/people.txt")
    rdd = df.rdd
    print(rdd.collect())
    # [Row(value='Jack 27'), Row(value='Rose 24'), Row(value='Andy 32')]
    spark.stop()
            
          

以上就是RDD与DataFrame形成与相互转换

 

Spark学习目录：

• Spark学习实例1(Python)：单词统计 Word Count
• Spark学习实例2(Python)：加载数据源Load Data Source
• Spark学习实例3(Python)：保存数据Save Data
• Spark学习实例4(Python)：RDD转换 Transformations
• Spark学习实例5(Python)：RDD执行 Actions
• Spark学习实例6(Python)：共享变量Shared Variables
• Spark学习实例7(Python)：RDD、DataFrame、DataSet相互转换
• Spark学习实例8(Python)：输入源实时处理 Input Sources Streaming
• Spark学习实例9(Python)：窗口操作 Window Operations