spark: RDD与DataFrame之间的相互转换
DataFrame是一个组织成命名列的数据集。它在概念上等同于关系数据库中的表或R/Python中的数据框架,但其经过了优化。DataFrames可以从各种各样的源构建,例如:结构化数据文件,Hive中的表,外部数据库或现有RDD。DataFrame API 可以被Scala,Java,Python和R调用。在Scala和Java中,DataFrame由Rows的数据集表示。在Scala API中,DataFrame只是一个类型别名Dataset[Row]。而在Java API中,用户需要Dataset<Row>用来表示DataFrame。在本文档中,我们经常将Scala/Java数据集Row称为DataFrames。
那么DataFrame和spark核心数据结构RDD之间怎么进行转换呢?
代码如下:
- # -*- coding: utf-8 -*-
- from __future__ import print_function
- from pyspark.sql import SparkSession
- from pyspark.sql import Row
- if __name__ == "__main__":
- # 初始化SparkSession
- spark = SparkSession \
- .builder \
- .appName("RDD_and_DataFrame") \
- .config("spark.some.config.option", "some-value") \
- .getOrCreate()
- sc = spark.sparkContext
- lines = sc.textFile("employee.txt")
- parts = lines.map(lambda l: l.split(","))
- employee = parts.map(lambda p: Row(name=p[0], salary=int(p[1])))
- #RDD转换成DataFrame
- employee_temp = spark.createDataFrame(employee)
- #显示DataFrame数据
- employee_temp.show()
- #创建视图
- employee_temp.createOrReplaceTempView("employee")
- #过滤数据
- employee_result = spark.sql("SELECT name,salary FROM employee WHERE salary >= 14000 AND salary <= 20000")
- # DataFrame转换成RDD
- result = employee_result.rdd.map(lambda p: "name: " + p.name + " salary: " + str(p.salary)).collect()
- #打印RDD数据
- for n in result:
- print(n)
长按识别关注我们,每天都有精彩内容分享哦 ~ ~