DataSet那点事

DataSet简介

• Dataset的演变流程：SchemaRDD->DataFrame->DataSet
• DataSet的操作方式和DataFrame几乎没有区别，它是spark1.6出现的
• DataSet是Strong type

为什么官方要推出DataSet？

如一个sql： selec a from table ，selec是错误语法，a是错误列名，正对这种情况，不同的API的运行时异常发现时间完全不一样。

DatSet的出现是为了让运行时错误（如列名错误）在编译时就能发现，这样就不会进行作业提交以及资源的申请。

DS与DF编程对比

scala> case class People(name: String, salary: String)
defined class People

scala> val ds = spark.read.format("JSON").load("/user/hadoop/examples/src/main/resources/employees.json").as[People]
ds: org.apache.spark.sql.Dataset[People] = [name: string, salary: bigint]

scala> ds.select("name").show()  //这种方式和DF完全一致的
+-------+
|   name|
+-------+
|Michael|
|   Andy|
| Justin|
|  Berta|
+-------+

scala> ds.map(_.name).show() //这才是ds的正确使用方式，分析在编译时就进行检查了
+-------+
|  value|
+-------+
|Michael|
|   Andy|
| Justin|
|  Berta|
+-------+

扩展1：scala中转义字符是"",如"|" 分割的字符串，则需要转义为"|"
扩展2：RDD的map是RDD，但是DataFrame的map是DataSet