Sdílet prostřednictvím

Porovnání SparkR a sparklyr

  • Článek

Důležitý

SparkR v Databricks je zastaralý v Databricks Runtime 16.0 a novější.

K dispozici jsou dvě rozhraní API pro Apache Spark pro uživatele jazyka R: SparkR a sparklyr. Databricks doporučuje používat sparklyr, protože SparkR je zastaralý. Tento článek vám pomůže s migrací kódu, který porovnává tato rozhraní API.

Původy rozhraní API

SparkR sestavuje komunita Sparku a vývojáři z Databricks. Z tohoto důvodu SparkR úzce sleduje třídy Spark Scala a rozhraní API datového rámce.

sparklyr začal s RStudio a od té doby byl darován nadaci Linux Foundation. sparklyr je úzce integrován do tidyverse jak ve svém programovacím stylu, tak skrze API interoperabilitu s dplyr.

SparkR a sparklyr jsou vysoce schopné pracovat s velkými objemy dat v R. V posledních několika letech se jejich sady funkcí blíží paritě.

Rozdíly rozhraní API

Následující příklad kódu ukazuje, jak pomocí SparkR a sparklyr z poznámkového bloku Azure Databricks číst soubor CSV z ukázkových datových sad do Sparku.

# #############################################################################
# SparkR usage

# Note: To load SparkR into a Databricks notebook, run the following:

# library(SparkR)

# You can then remove "SparkR::" from the following function call.
# #############################################################################

# Use SparkR to read the airlines dataset from 2008.
airlinesDF <- SparkR::read.df(path        = "/databricks-datasets/asa/airlines/2008.csv",
                              source      = "csv",
                              inferSchema = "true",
                              header      = "true")

# Print the loaded dataset's class name.
cat("Class of SparkR object: ", class(airlinesDF), "\n")

# Output:
#
# Class of SparkR object: SparkDataFrame

# #############################################################################
# sparklyr usage

# Note: To install, load, and connect with sparklyr in a Databricks notebook,
# run the following:

# install.packages("sparklyr")
# library(sparklyr)
# sc <- sparklyr::spark_connect(method = "databricks")

# If you run "library(sparklyr)", you can then remove "sparklyr::" from the
# preceding "spark_connect" and from the following function call.
# #############################################################################

# Use sparklyr to read the airlines dataset from 2007.
airlines_sdf <- sparklyr::spark_read_csv(sc   = sc,
                                         name = "airlines",
                                         path = "/databricks-datasets/asa/airlines/2007.csv")

# Print the loaded dataset's class name.
cat("Class of sparklyr object: ", class(airlines_sdf))

# Output:
#
# Class of sparklyr object: tbl_spark tbl_sql tbl_lazy tbl

Pokud se ale pokusíte spustit funkci sparklyr na objektu SparkDataFrame ze SparkR nebo pokud se pokusíte spustit funkci SparkR na tbl_spark objektu z sparklyr, nebude fungovat, jak je znázorněno v následujícím příkladu kódu.

# Try to call a sparklyr function on a SparkR SparkDataFrame object. It will not work.
sparklyr::sdf_pivot(airlinesDF, DepDelay ~ UniqueCarrier)

# Output:
#
# Error : Unable to retrieve a Spark DataFrame from object of class SparkDataFrame

## Now try to call s Spark R function on a sparklyr tbl_spark object. It also will not work.
SparkR::arrange(airlines_sdf, "DepDelay")

# Output:
#
# Error in (function (classes, fdef, mtable) :
#   unable to find an inherited method for function ‘arrange’ for signature ‘"tbl_spark", "character"’

Je to proto, že sparklyr překládá funkce dplyr, jako je arrange, do plánu dotazu SQL, který používá SparkSQL. To není případ SparkR, který má funkce pro SparkSQL tables a Spark DataFrames. Toto chování je důvodem, proč Databricks nedoporučuje kombinovat rozhraní SparkR a sparklyr API ve stejném skriptu, poznámkovém bloku nebo úloze.

Interoperabilita rozhraní API

Ve výjimečných případech where se nemůžete vyhnout kombinování rozhraní SparkR a sparklyr API, můžete sparkSQL použít jako druh mostu. Například v prvním příkladu tohoto článku načetl sparklyr datovou sadu leteckých společností z roku 2007 do table s názvem airlines. K dotazování tohoto tablemůžete použít funkci SparkR sql, například:

top10delaysDF <- SparkR::sql("SELECT
                               UniqueCarrier,
                               DepDelay,
                               Origin
                             FROM
                               airlines
                             WHERE
                               DepDelay NOT LIKE 'NA'
                             ORDER BY DepDelay
                             DESC LIMIT 10")

# Print the class name of the query result.
cat("Class of top10delaysDF: ", class(top10delaysDF), "\n\n")

# Show the query result.
cat("Top 10 airline delays for 2007:\n\n")
head(top10delaysDF, 10)

# Output:
#
# Class of top10delaysDF: SparkDataFrame
#
# Top 10 airline delays for 2007:
#
#   UniqueCarrier DepDelay Origin
# 1            AA      999    RNO
# 2            NW      999    EWR
# 3            AA      999    PHL
# 4            MQ      998    RST
# 5            9E      997    SWF
# 6            AA      996    DFW
# 7            NW      996    DEN
# 8            MQ      995    IND
# 9            MQ      994    SJT
# 10           AA      993    MSY

Další příklady viz Práce s DataFrame a tables v R.