Spark作为大数据技术生态当中必学的一个框架，其重要程度早已不用特意去强调，在现有的大数据技术生态体系当中，Spark仍然是大数据开发工程师们需要掌握的重要技能。今天的大数据开发学习分享，我们就主要来讲讲Spark框架Dataset API。
Spark2.0将DataFrame和Dataset API统一为具有类似接口的结构化API，因此开发人员只需要学习一组API。数据集具有两个特性：类型化的和非类型化的API，如下图所示。
从概念上讲，我们可以将Scala中的DataFrame视为通用对象集合Dataset[Row]的别名，其中Row是通用非类型JVM对象，可能包含不同类型的字段。相比之下，Dataset是Scala中或Java中的强类型JVM对象的集合。或者，如Dataset文档所说，Dataset是：
特定域对象的强类型集合，可以使用函数或关系操作进行转换。Scala中的每个Dataset都有一个称为DataFrame的无类型视图，它是一个Dataset Row。
1、有类型的对象、非类型的对象和通用行
在Spark支持的语言中，数据集只在Java和Scala中有意义，而在Python和R中，只有DataFrame有意义。这是因为Python和R不是编译时类型安全的；类型是在执行期间动态推断或分配的，而不是在编译时动态分配的。在Scala和Java中，情况正好相反：类型在编译时绑定到变量和对象。然而，在Scala中，DataFrame只是非类型Dataset[Row]的别名。
Row是Spark中的通用对象类型，它包含可以使用索引访问的混合类型的集合。在内部，Spark会操作Row对象，并将它们转换为相应的等效类型。例如，对于Scala或Java和Python，Row中的一个整数字段将分别映射或转换为整数类型：
// In Scala
import org.apache.spark.sql.Row
val row = Row(350, true, "Learning Spark 2E", null)
# In Python
from pyspark.sql import Row
row = Row(350, True, "Learning Spark 2E", None)
使用行对象的索引，可以使用公共getter方法访问各个字段：
// In Scala
row.getInt(0)
res23: Int = 350
row.getBoolean(1)
res24: Boolean = true
row.getString(2)
res25: String = Learning Spark 2E
# In Python
row[0]
Out[13]: 350
row[1]
Out[14]: True
row[2]
Out[15]: 'Learning Spark 2E'
相比之下，类型化对象是JVM中实际的Java或Scala类对象。数据集中的每个元素都映射到一个JVM对象。
2、创建DataSet
与从数据源创建DataFrame一样，在创建数据集时，你必须知道schema。换句话说，你需要了解数据类型。尽管使用JSON和CSV数据可以推断出schema，但对于大型数据集，这是资源密集型的（成本昂贵），非常消耗资源。
在Scala中创建数据集时，为结果数据集指定schema最简单的方法是使用样例类(Case classes)。在Java中，使用JavaBean类(我们在第6章中进一步讨论JavaBean和Scala样例类)。
Scala: 样例类（Case classes）
当你希望将自己的域中特定的对象实例化为数据集时，你可以通过在Scala中定义一个样例类来实例化。作为一个例子，让我们查看JSON文件中从物联网设备读取的集合。
我们的文件有几行JSON字符串，外观如下：
{"device_id": 198164, "device_name": "sensor-pad-198164owomcJZ", "ip":
"80.55.20.25", "cca2": "PL", "cca3": "POL", "cn": "Poland", "latitude":
53.080000, "longitude": 18.620000, "scale": "Celsius", "temp": 21,
"humidity": 65, "battery_level": 8, "c02_level": 1408,"lcd": "red",
"timestamp" :1458081226051}
要将每个JSON条目表示为DeviceIoTData，一种特定领域的对象，我们可以定义一个Scala样例类：
case class DeviceIoTData (battery_level: Long, c02_level: Long,
cca2: String, cca3: String, cn: String, device_id: Long,
device_name: String, humidity: Long, ip: String, latitude: Double,
lcd: String, longitude: Double, scale:String, temp: Long,
timestamp: Long)
一旦定义，我们可以使用它读取文件并将返回的内容Dataset[Row]转换为Dataset[DeviceIoTData]（输出被截断以适合页面）：
// In Scala
val ds = spark.read
.json("/databricks-datasets/learning-spark-v2/iot-devices/iot_devices.json")
.as[DeviceIoTData]
ds: org.apache.spark.sql.Dataset[DeviceIoTData] = [battery_level...]
ds.show(5, false)
+-------------|---------|----|----|-------------|---------|---+
|battery_level|c02_level|cca2|cca3|cn |device_id|...|
+-------------|---------|----|----|-------------|---------|---+
|8 |868 |US |USA |United States|1 |...|
|7 |1473 |NO |NOR |Norway |2 |...|
|2 |1556 |IT |ITA |Italy |3 |...|
|6 |1080 |US |USA |United States|4 |...|
|4 |931 |PH |PHL |Philippines |5 |...|
+-------------|---------|----|----|-------------|---------|---+
only showing top 5 rows
3、Dataset操作
就像你可以在DataFrame上执行转换和操作一样，你也可以使用数据集。根据操作类型的不同，操作结果将会有所不同：
// In Scala
val filterTempDS = ds.filter({d => {d.temp > 30 && d.humidity > 70})
filterTempDS: org.apache.spark.sql.Dataset[DeviceIoTData] = [battery_level...]
filterTempDS.show(5, false)
+-------------|---------|----|----|-------------|---------|---+
|battery_level|c02_level|cca2|cca3|cn |device_id|...|
+-------------|---------|----|----|-------------|---------|---+
|0 |1466 |US |USA |United States|17 |...|
|9 |986 |FR |FRA |France |48 |...|
|8 |1436 |US |USA |United States|54 |...|
|4 |1090 |US |USA |United States|63 |...|
|4 |1072 |PH |PHL |Philippines |81 |...|
+-------------|---------|----|----|-------------|---------|---+
only showing top 5 rows
在此查询中，我们使用一个函数作为数据集方法filter()的参数。这是一个具有很多签名的重载方法。我们使用的版本采用filter(func: (T) > Boolean): Dataset[T] lambda函数func: (T) > Boolean作为参数。
lambda函数的参数是类型为DeviceIoTData的JVM对象。这样，我们可以使用点（.）表示法访问其各个数据字段，就像在Scala类或JavaBean中一样。
另一件需要注意的事情是，对于DataFrame，你将filter()条件表示为类似SQL的DSL操作，这些操作是与语言无关的。对于数据集，我们利用原生语言的表达式作为Scala或Java代码。
总的来说，我们可以在数据集上执行filter()，map()，groupBy()，select()，take()这些操作，与DataFrame上的操作相似。在某种程度上，数据集与RDD相似，因为它们提供了与上述方法类似的接口以及编译时安全性，但具有更容易读取和面向对象的编程接口。
当我们使用数据集时，底层的Spark SQL引擎会处理JVM对象的创建、控制版本、序列化和反序列化。它还借助数据集编码器来处理Java外堆内存管理。
关于大数据开发学习，Spark框架Dataset API，以上就为大家做了简单的介绍了。Spark在大数据学习当中，是非常重要的一块，而API编程，是必须要掌握的重要基础，建议多家练习。
网友评论