Udostępnij za pośrednictwem

Porównanie platformy SparkR i interfejsu sparklyr

  • Artykuł

Użytkownicy języka R mogą wybierać między dwoma interfejsami API dla platformy Apache Spark: SparkR i sparklyr. W tym artykule porównaliśmy te interfejsy API. Usługa Databricks zaleca wybranie jednego z tych interfejsów API w celu utworzenia aplikacji platformy Spark w języku R. Połączenie kodu z obu tych interfejsów API w jeden skrypt lub notes usługi Azure Databricks lub zadanie może utrudnić odczytywanie i konserwowanie kodu.

Źródła interfejsu API

Usługa SparkR jest tworzona przez społeczność platformy Spark i deweloperów z usługi Databricks. W związku z tym usługa SparkR uważnie śledzi klasy Spark Scala i interfejs API ramki danych.

Sparklyr rozpoczął pracę z programem RStudio i od tego czasu został przekazany do programu Linux Foundation. sparklyr jest ściśle zintegrowany z tidyverse zarówno w stylu programowania, jak i za pośrednictwem współdziałania interfejsu API z dplyr.

SparkR i sparklyr są bardzo zdolne do pracy z danymi big data w języku R. W ciągu ostatnich kilku lat ich zestawy funkcji zbliżają się do parzystości.

Różnice między interfejsami API

W poniższym przykładzie kodu pokazano, jak używać aparatu SparkR i interfejsu sparklyr z notesu usługi Azure Databricks w celu odczytania pliku CSV z przykładowych zestawów danych do platformy Spark.

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

Jeśli jednak spróbujesz uruchomić funkcję sparklyr na SparkDataFrame obiekcie platformy SparkR lub spróbujesz uruchomić funkcję SparkR na tbl_spark obiekcie z interfejsu sparklyr, nie będzie działać, jak pokazano w poniższym przykładzie kodu.

# 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"’

Dzieje się tak, ponieważ narzędzie sparklyr tłumaczy funkcje dplyr, takie jak arrange plan zapytań SQL używany przez usługę SparkSQL. Tak nie jest w przypadku platformy SparkR, która ma funkcje dla tabel SparkSQL i ramek danych platformy Spark. Dlatego usługa Databricks nie zaleca łączenia interfejsów API SparkR i sparklyr w tym samym skry skrycie, notesie lub zadaniu.

Współdziałanie interfejsu API

W rzadkich przypadkach, gdy nie można uniknąć łączenia interfejsów API SparkR i sparklyr, możesz użyć platformy SparkSQL jako rodzaju mostka. Na przykład w pierwszym przykładzie tego artykułu interfejs sparklyr załadował zestaw danych linii lotniczych z 2007 r. do tabeli o nazwie airlines. Możesz użyć funkcji SparkR sql , aby wykonać zapytanie dotyczące tej tabeli, na przykład:

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

Aby uzyskać dodatkowe przykłady, zobacz Praca z ramkami danych i tabelami w języku R.