spark笔记之DataSet

4.1.  什么是DataSet

DataSet是分布式的数据集合，Dataset提供了强类型支持，也是在RDD的每行数据加了类型约束。DataSet是在Spark1.6中添加的新的接口。它集中了RDD的优点（强类型和可以用强大lambda函数）以及使用了Spark SQL优化的执行引擎。DataSet可以通过JVM的对象进行构建，可以用函数式的转换（map/flatmap/filter）进行多种操作。

4.2.  DataFrame、DataSet、RDD的区别

假设RDD中的两行数据长这样：

那么DataFrame中的数据长这样:

那么Dataset中的数据长这样:

或者长这样（每行数据是个Object）:

DataSet包含了DataFrame的功能，Spark2.0中两者统一，DataFrame表示为DataSet[Row]，即DataSet的子集。

（1）DataSet可以在编译时检查类型

（2）并且是面向对象的编程接口

相比DataFrame，Dataset提供了编译时类型检查，对于分布式程序来讲，提交一次作业太费劲了（要编译、打包、上传、运行），到提交到集群运行时才发现错误，这会浪费大量的时间，这也是引入Dataset的一个重要原因。

4.3.  DataFrame与DataSet互相转换

DataFrame和DataSet可以相互转化。

（1）DataFrame转为 DataSet

df.as[ElementType] 这样可以把DataFrame转化为DataSet。

（2）DataSet转为DataFrame

ds.toDF() 这样可以把DataSet转化为DataFrame。

4.4.  创建DataSet

（1）通过spark.createDataset创建

（2）通toDS方法生成DataSet

（3）通过DataFrame转化生成

使用as[类型]转换为DataSet

更多DataSet操作API地址：

http://spark.apache.org/docs/2.0.2/api/scala/index.html#org.apache.spark.sql.Dataset