spark: RDD与DataFrame之间的相互转换

Posted 2022-11-13 birdlove1987

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)