在學習轉換之前先了解以下它們的基本概念

• RDD：彈性分布式數據集，是一個只讀分區集合
• DataFrame：以命名列方式組織的分布式數據集，概念上和關系型數據庫的一張表一樣
• DataSet：分布式數據集合， Python暫時不支持

了解了基本的概念之后，接下來我們通過代碼編寫三種數據集的形成

RDD的形成

            
              from pyspark.sql import SparkSession

if __name__ == '__main__':
    spark = SparkSession \
        .builder \
        .appName("rddData") \
        .master("local[*]") \
        .getOrCreate()
    # 方式一：
    data = [1, 2, 3, 4, 5]
    rdd1 = spark.sparkContext.parallelize(data)
    print(rdd1.collect())
    # [1, 2, 3, 4, 5]
    # 方式二：
    rdd2 = spark.sparkContext.textFile("/home/llh/data/people.txt")
    print(rdd2.collect())
    # ['Jack 27', 'Rose 24', 'Andy 32']
    spark.stop()
            
          

DataFrame的形成

            
              from pyspark.sql import SparkSession

if __name__ == '__main__':
    spark = SparkSession \
        .builder \
        .appName("rddDataFrame") \
        .master("local[*]") \
        .getOrCreate()
    df = spark.read.text("/home/llh/data/people.txt")
    df.show()
    # +---+----+
    # |age|name|
    # +---+----+
    # | 27|Jack|
    # | 24|Rose|
    # | 32|Andy|
    # +---+----+
    spark.stop()
            
          

RDD轉成DataFrame

            
              from pyspark.sql import SparkSession
from pyspark.sql import Row

if __name__ == '__main__':
    spark = SparkSession \
        .builder \
        .appName("rddRDD") \
        .master("local[*]") \
        .getOrCreate()
    data = [1, 2, 3]
    rdd1 = spark.sparkContext.parallelize(data)
    print(rdd1.collect())
    # [1, 2, 3]
    # rdd ->  dataframe
    rdd2 = rdd1.map(lambda x: Row(x))
    df = spark.createDataFrame(rdd2, schema=['num'])
    df.show()
    # +---+
    # |num|
    # +---+
    # | 1 |
    # | 2 |
    # | 3 |
    # +---+
    spark.stop()
            
          

DataFrame轉成RDD

            
              from pyspark.sql import SparkSession

if __name__ == '__main__':
    spark = SparkSession \
        .builder \
        .appName("rddDataFrame") \
        .master("local[*]") \
        .getOrCreate()
    df = spark.read.text("/home/llh/data/people.txt")
    rdd = df.rdd
    print(rdd.collect())
    # [Row(value='Jack 27'), Row(value='Rose 24'), Row(value='Andy 32')]
    spark.stop()
            
          

以上就是RDD與DataFrame形成與相互轉換

?

Spark學習目錄：

• Spark學習實例1(Python)：單詞統計 Word Count
• Spark學習實例2(Python)：加載數據源Load Data Source
• Spark學習實例3(Python)：保存數據Save Data
• Spark學習實例4(Python)：RDD轉換 Transformations
• Spark學習實例5(Python)：RDD執行 Actions
• Spark學習實例6(Python)：共享變量Shared Variables
• Spark學習實例7(Python)：RDD、DataFrame、DataSet相互轉換
• Spark學習實例8(Python)：輸入源實時處理 Input Sources Streaming
• Spark學習實例9(Python)：窗口操作 Window Operations

?

?