Spark：如果 DataFrame 有架构，DataFrame 如何成为 Dataset[Row]

Question

这篇文章声称DataFrameSpark中的 a等同于 a Dataset[Row]，但这篇博文表明 aDataFrame有一个架构。

以博客文章中将 RDD 转换为 a 的示例DataFrame：如果DataFrame与 相同Dataset[Row]，那么将 an 转换RDD为 aDataFrame应该很简单

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

但相反它表明它是这个

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]

显然，数据框实际上是行和模式的数据集。

Answer 1

在 Spark 2.0 中，代码中有： type DataFrame = Dataset[Row]

它是Dataset[Row]，只是因为定义。

Dataset也有模式，你可以使用printSchema()函数打印它。通常 Spark 会推断模式，因此您不必自己编写它 - 但它仍然存在；)

您也可以createTempView(name)在 SQL 查询中使用它，就像 DataFrames 一样。

换句话说，Dataset = DataFrame from Spark 1.5 + encoder，将行转换为您的类。在 Spark 2.0 中合并类型后，DataFrame 成为 的别名Dataset[Row]，因此没有指定的编码器。

关于转换： rdd.map() 也返回RDD，它从不返回 DataFrame。你可以做：

// 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)