Spark：如果 DataFrame 有架構，DataFrame 如何成為 Dataset[Row]

Question

這篇文章聲稱 Spark 中的DataFrame等效於Dataset[Row] ，但這篇博客文章表明DataFrame具有架構。

以博客文章中將 RDD 轉換為DataFrame ：如果DataFrame與Dataset[Row] ，那么將RDD轉換為DataFrame應該是一樣簡單

val rddToDF = rdd.map(value => Row(value))

但相反它表明它是這個

val rddStringToRowRDD = rdd.map(value => Row(value))
val dfschema = StructType(Array(StructField("value",StringType)))
val rddToDF = sparkSession.createDataFrame(rddStringToRowRDD,dfschema)
val rDDToDataSet = rddToDF.as[String]

顯然，數據框實際上是行和模式的數據集。

Answer 1

在 Spark 2.0 中，代碼中有： type DataFrame = Dataset[Row]

它是Dataset[Row] ，只是因為定義。

Dataset也有模式，你可以使用printSchema()函數打印它。 通常 Spark 會推斷模式，因此您不必自己編寫它 - 但它仍然存在；)

您還可以執行createTempView(name)並在 SQL 查詢中使用它，就像 DataFrames 一樣。

換句話說， Dataset = DataFrame from Spark 1.5 + encoder ，它將行轉換為您的類。 在 Spark 2.0 中合並類型后，DataFrame 成為Dataset[Row]的別名，因此沒有指定的編碼器。

關於轉換： rdd.map() 也返回RDD ，它從不返回 DataFrame 。 你可以這樣做：

// Dataset[Row]=DataFrame, without encoder
val rddToDF = sparkSession.createDataFrame(rdd)
// And now it has information, that encoder for String should be used - so it becomes Dataset[String]
val rDDToDataSet = rddToDF.as[String]

// however, it can be shortened to:
val dataset = sparkSession.createDataset(rdd)

Answer 2

請注意（除了T Gaweda的回答），每個Row ( Row.schema ) 都有一個關聯的模式。 但是，直到將其集成到DataFrame （或Dataset[Row] ）中時，才會設置此架構

scala> Row(1).schema
res12: org.apache.spark.sql.types.StructType = null

scala> val rdd = sc.parallelize(List(Row(1)))
rdd: org.apache.spark.rdd.RDD[org.apache.spark.sql.Row] = ParallelCollectionRDD[5] at parallelize at <console>:28
scala> spark.createDataFrame(rdd,schema).first
res15: org.apache.spark.sql.Row = [1]
scala> spark.createDataFrame(rdd,schema).first.schema
res16: org.apache.spark.sql.types.StructType = StructType(StructField(a,IntegerType,true))