Megosztás a következőn keresztül:

A SparkR és a Sparklyr összehasonlítása

  • Cikk

Az R-felhasználók két API közül választhatnak az Apache Sparkhoz: a SparkR-hez és a Sparklyrhez. Ez a cikk ezeket az API-kat hasonlítja össze. A Databricks azt javasolja, hogy válasszon egyet ezek közül az API-k közül egy Spark-alkalmazás R-ben való fejlesztéséhez. Ha mindkét API-ból származó kódot egyetlen szkriptbe vagy Azure Databricks-jegyzetfüzetbe vagy feladatba kombinálja, az megnehezítheti a kód olvasását és karbantartását.

API-források

A SparkR-t a Spark-közösség és a Databricks fejlesztői készítik. Emiatt a SparkR szorosan követi a Spark Scala-osztályokat és a DataFrame API-t.

sparklyr kezdődött RStudio és azóta adományozott a Linux Foundation. A Sparklyr szorosan integrálva van a rendiverzumba mind a programozási stílusában, mind a dplyr api-együttműködésén keresztül.

A SparkR és a Sparklyr kiválóan alkalmas a big data-adatok R-ben való használatához. Az elmúlt néhány évben a funkciókészletek egyre közelebb kerülnek a paritáshoz.

Az API-k eltérései

Az alábbi példakód bemutatja, hogyan használható a SparkR és a Sparklyr egy Azure Databricks-jegyzetfüzetből egy CSV-fájl olvasására a mintaadatkészletekből a Sparkba.

# #############################################################################
# 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

Ha azonban sparklyr-függvényt próbál futtatni egy SparkDataFrame objektumon a SparkR-ből, vagy ha SparkR-függvényt próbál futtatni egy tbl_spark sparklyr-objektumon, az nem fog működni, ahogy az a következő kód példában látható.

# 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"’

Ennek az az oka, hogy a Sparklyr lefordítja a dplyr-függvényeket, például arrange egy SQL-lekérdezési tervre, amelyet a SparkSQL használ. Nem ez a helyzet a SparkR esetében, amely SparkSQL-táblákhoz és Spark DataFrame-ekhez használható függvényekkel rendelkezik. Ezek a viselkedések miatt a Databricks nem javasolja a SparkR és a Sparklyr API-k kombinálását ugyanabban a szkriptben, jegyzetfüzetben vagy feladatban.

API-együttműködés

Ritka esetekben, amikor nem lehet elkerülni a SparkR és a Sparklyr API-k kombinálását, használhatja a SparkSQL-t egyfajta hídként. A cikk első példájában például a Sparklyr betöltötte a 2007-ből származó légitársaságok adatkészletét egy nevű táblába airlines. A SparkR sql függvény használatával lekérdezheti ezt a táblát, például:

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

További példákért lásd : DataFrames és táblák használata az R-ben.